Tabellen aus einer PDF in Word retten

Tabellen sind in einer PDF gar keine Tabellen

Eine Tabelle in einer PDF sieht aus wie eine Tabelle: Zeilen, Spalten, Trennlinien, ordentlich ausgerichtete Werte. Im Inneren ist davon nichts vorhanden. Die PDF speichert keine Zellen, keine Zeilen und keine Spalten. Sie speichert nur Linien an bestimmten Positionen und einzelne Wörter an festen Koordinaten. Das menschliche Auge setzt daraus eine Tabelle zusammen, der Computer muss raten. Genau deshalb ist die Extraktion von Tabellen der schwierigste Teil der PDF-zu-Word-Umwandlung.

Was eine PDF wirklich speichert

Wenn ein Programm eine Tabelle in eine PDF schreibt, zerlegt es sie in einzelne Elemente: ein paar waagerechte und senkrechte Striche für das Gitter und viele kleine Textstücke, jeweils mit einer x- und y-Koordinate. Die Information "dieser Wert gehört in Zeile 3, Spalte 2" geht dabei verloren. Übrig bleibt nur "dieser Text steht an Position 142, 318". Wie dieser Aufbau grundsätzlich funktioniert, erklärt der Ratgeber Was ist PDF.

Wie ein Konverter die Struktur rekonstruiert

Um aus diesen losen Koordinaten wieder eine Tabelle zu machen, wenden Konverter mehrere Heuristiken an:

1. Zeilen erkennen: Textstücke mit ähnlicher y-Koordinate gehören wahrscheinlich zur selben Zeile.
2. Spalten erkennen: Textstücke mit ähnlicher x-Koordinate gehören wahrscheinlich zur selben Spalte. Sichtbare Trennlinien helfen dabei.
3. Zellen bilden: Die Schnittpunkte von erkannten Zeilen und Spalten ergeben die Zellen.
4. Inhalte zuordnen: Jedes Textstück wird der passenden Zelle zugewiesen.

Dieses Verfahren funktioniert gut, solange die Tabelle regelmäßig aufgebaut ist. Sobald Unregelmäßigkeiten auftauchen, wird es fehleranfällig.

Welche Tabellen sich gut extrahieren lassen

Eine schlichte Preisliste mit sichtbarem Gitter und kurzen Einträgen pro Zelle ist der ideale Fall. Eine Bilanz mit verbundenen Überschriftszellen, eingerückten Unterposten und Tausendertrennzeichen ist der schwierige Fall.

Das Problem mehrzeiliger Zellen

Besonders heikel sind Zellen, deren Inhalt über mehrere Zeilen geht. Der Konverter sieht mehrere Textstücke mit unterschiedlichen y-Koordinaten und kann nicht sicher entscheiden, ob es sich um zwei Tabellenzeilen oder um eine Zelle mit zweizeiligem Text handelt. Das Ergebnis ist dann oft eine zusätzliche, leere Zeile oder ein zerrissener Inhalt.

Tabellen aus gescannten PDFs

Wird eine Tabelle aus einem Scan extrahiert, kommt zur Strukturrekonstruktion noch die OCR-Unsicherheit hinzu. OCR erkennt die einzelnen Werte, aber die Zuordnung zur richtigen Zelle ist doppelt schwierig: Erst müssen die Zeichen korrekt erkannt, dann der richtigen Position zugeordnet werden. Gerade bei Zahlen ist hier Vorsicht geboten, weil OCR 0 und O oder 1 und l verwechseln kann. Mehr zu den OCR-Grenzen im Ratgeber OCR für gescannte PDFs.

Tipps für bessere Ergebnisse

1. Quelle prüfen: Wenn die Tabelle ursprünglich aus Excel oder Word stammt, ist es einfacher, das Original zu nutzen statt den Umweg über die PDF.
2. Nachkontrolle Zelle für Zelle: Besonders bei Zahlen und Beträgen jeden Wert prüfen.
3. Struktur vorbereiten: Bei wiederkehrenden Auswertungen einmal eine saubere Tabelle in Word anlegen und nur die Werte einsetzen.
4. Bei Scans: hohe Auflösung und gerade Ausrichtung verbessern die Erkennung deutlich.
5. Komplexe Bilanzen: hier ist manuelles Übertragen oft schneller als das Reparieren einer fehlerhaften Extraktion.

Warum auch Profisoftware hier kämpft

Es ist verlockend zu glauben, teure Software löse das Problem vollständig. Das ist nicht der Fall. Auch spezialisierte Werkzeuge müssen die Tabellenstruktur erraten, weil sie nicht in der PDF gespeichert ist. Sie sind oft etwas besser bei der Heuristik, scheitern aber an denselben Grenzen: verbundene Zellen, fehlende Linien, mehrzeilige Inhalte. Ein realistischer Blick auf die Möglichkeiten steht im Ratgeber Formatierung nach der Konvertierung.

Wann sich die Extraktion lohnt

Für einfache Tabellen spart die automatische Extraktion viel Tipparbeit. Für hochkomplexe Tabellen kann die Nachkontrolle so aufwendig werden, dass manuelles Abtippen schneller geht. Eine ehrliche Einschätzung vorab spart Frust: Sieht die Tabelle regelmäßig aus, lohnt der Versuch. Ist sie verschachtelt und voller Sonderfälle, sollte man die Erwartungen senken.

Tabellen mit und ohne Trennlinien

Ein entscheidender Faktor für die Extraktion ist, ob eine Tabelle sichtbare Trennlinien hat. Mit Linien kann der Konverter das Gitter direkt sehen und die Zellgrenzen daran festmachen. Ohne Linien muss er allein aus den Abständen zwischen den Wörtern ableiten, wo eine Spalte endet und die nächste beginnt. Das ist deutlich unsicherer, vor allem wenn die Spaltenabstände unregelmäßig sind oder einzelne Werte fehlen. Sogenannte Linientabellen lassen sich daher zuverlässiger extrahieren als Tabellen, die nur durch Leerraum gegliedert sind.

Zahlen, Dezimaltrennzeichen und Ausrichtung

Bei Zahlentabellen kommen weitere Tücken hinzu. Beträge sind oft rechtsbündig ausgerichtet, Texte linksbündig. Tausenderpunkte und Dezimalkommas können den Konverter verwirren, wenn er sie als Wortgrenzen missdeutet. Bei einem Scan verschärft die OCR das Problem, weil sie einen Punkt übersehen oder ein Komma hinzufügen kann. Aus 1.234,50 wird so schnell 123450 oder 1234.50. Bei finanziellen Dokumenten ist deshalb eine Kontrolle jedes Werts unverzichtbar, mehr dazu im Ratgeber OCR für gescannte PDFs.

Eine praktische Entscheidungshilfe

Fazit

Tabellen sind in einer PDF nur Linien und Koordinaten, keine echten Zellen. Konverter rekonstruieren die Struktur über Heuristiken, die bei klaren Gittertabellen gut, bei verbundenen, mehrzeiligen oder linienlosen Tabellen schlecht funktionieren. Bei Scans erschwert die OCR-Unsicherheit besonders bei Zahlen die Sache zusätzlich. Wer das weiß, prüft Tabellen nach der Umwandlung sorgfältig und nutzt bei komplexen Fällen lieber das Original. Eine Übersicht über alle typischen Umwandlungsprobleme bietet der Ratgeber Häufige Probleme und Lösungen.