PDF zu Text

Der naive Weg ist, die Liste der Textstücke, die pdf.js herausgibt, einfach aneinanderzuhängen. Das ist eine Zeile Code und ergibt etwas, das fast richtig aussieht — deshalb machen es so viele Werkzeuge so. Bei einem zweiseitigen Steuerformular klebt dieser Ansatz Wörter über 76 Zeilenumbrüche hinweg zusammen. Bei acht Seiten einer Forschungsarbeit sind es 293. Du bekommst „permission toreproduce“ und „neural networksin particular“, verstreut über das Dokument, wo sie dir nicht zwangsläufig auffallen, bevor du den Text benutzt.

Das tiefer liegende Problem ist die Reihenfolge. Ein PDF speichert Text in der Reihenfolge, in der er auf die Seite gemalt wird, und die ist nicht die, in der du liest. Auf einem Formular kann ein Datumsfeld als „MM DD YYYY/ /“ herauskommen, weil die Trennzeichen zuletzt gezeichnet werden. Auf einer zweispaltigen Seite verschränken sich die Spalten, Zeile für Zeile — genau das passiert, wenn du in einem PDF-Reader eine ganze Seite markierst und einfügst. Wir bauen die Lesereihenfolge daraus auf, wo die Zeichen tatsächlich sitzen. Das gibt „MM / DD / YYYY“ zurück und hält jede Spalte zusammen.

Dann gibt es Dinge, die man leicht komplett übersieht. Wenn du ein PDF-Formular ausgefüllt hast, steht keine deiner Antworten im Seitentext — sie leben in den Formularfeldern, und ein Extraktor, der nur die Seite liest, gibt dir eine leere Vorlage und sieht dabei aus, als hätte er funktioniert. Wir sammeln sie ein und hängen sie ans Ende. Und manche PDF-Erzeuger geben Zeichen aus, die richtig aussehen, aber keine sind: Ein chinesisches Dokument kann voller Kangxi-Radikale sein, auf dem Bildschirm nicht zu unterscheiden, für eine Suche unsichtbar, beim Einfügen falsch. Jede Zeichenfolge, die wir herausgeben, wird normalisiert, sodass sie auf die Zeichen zurückfallen, als die sie gezeichnet sind.