Hoe een pdf tekst opslaat
Een pdf-pagina is een verzameling tekeninstructies: "teken symbool 37 van lettertype F2 op x=72, y=640". Er is in veel bestanden geen sprake van een alinea, kolom of zelfs een woord — alleen losse symbolen op coördinaten. Wanneer je tekst kopieert, raadt je viewer hoe die symbolen woorden, regels en alinea's vormen. Meestal heeft het het bij het rechte eind. Als dat niet zo is, krijg je te maken met de onderstaande problemen.
Probleem 1: Helemaal geen tekst
Oorzaak: de pagina is een afbeelding — een scan, foto of een platgeslagen export. Er zijn geen tekens om te kopiëren. Oplossing: voer ocr uit. Onze PDF naar tekst-tool detecteert pagina's die alleen uit afbeeldingen bestaan en voert automatisch ocr uit. Bekijk ook hoe je een gescande pdf samenvat.
Probleem 2: Verminkte tekens of symbolen
Oorzaak: de pdf gebruikt lettertypen (vaak met een subset of aangepaste codering) zonder correcte koppeling tussen symbolen en Unicode-tekens. De viewer weet hoe de tekst eruit moet zien, maar niet welke letters ze voorstellen. Oplossing: probeer eerst een andere extractietool; als elke tool onzin oplevert, behandel de pdf dan als een scan en gebruik ocr, dat de vormen leest in plaats van de lettertypegegevens.
Probleem 3: Gebroken regels en afgebroken woorden
Oorzaak: in de pdf is elke regel een afzonderlijk tekstblok. Bij het kopiëren blijven de regeleinden behouden — inclusief de afbreekstreepjes aan het einde van regels. Oplossing: een opschoonstap die regels binnen een alinea weer samenvoegt en afbreekstreepjes verwijdert (onze extractie doet dit automatisch).
Probleem 4: Door elkaar lopende kolommen
Oorzaak: bij indelingen met meerdere kolommen leest een eenvoudige extractor rechtstreeks over de pagina, regel voor regel, waardoor kolommen door elkaar gaan lopen. Oplossing: extractie op basis van leesvolgorde, waarbij tekstblokken worden gegroepeerd voordat ze worden gelezen. De meeste moderne tools doen dit; standen die de lay-out behouden doen dat niet.
Probleem 5: Ontbrekende of extra spaties
Oorzaak: sommige pdf's positioneren elk woord — of elke letter — apart, zonder echte spatietekens. De extractor moet spaties afleiden uit de tussenruimtes. Oplossing: een andere extractie-engine, of ocr als laatste redmiddel.
Probleem 6: Tabellen veranderen in een bende
Oorzaak: tabellen zijn niets meer dan tekst in een raster; in de meeste pdf's is er geen onderliggende tabelstructuur. Oplossing: gebruik voor data een speciale tabel-extractietool; stel voor het begrijpen een vraag over de tabel — AI kan een regel-voor-regel-extractie meestal prima interpreteren.
Probleem 7: Kopiëren is geblokkeerd
Oorzaak: de pdf heeft toegangsrechten die viewers vragen om kopiëren uit te schakelen, of het bestand is met een wachtwoord beveiligd. Oplossing: als je het recht hebt om de inhoud te gebruiken, open het bestand dan met het wachtwoord en druk het af naar een nieuwe pdf. Respecteer de licentie van het document.
Veelgestelde vragen
Waarom heeft mijn gekopieerde pdf-tekst overal regeleinden?
Omdat elke regel afzonderlijk in de pdf is opgeslagen. Plak de tekst in een tool die alinea's herstelt, of gebruik een extractor die regeleinden opschoont.
Waarom krijg ik vreemde symbolen bij het kopiëren uit een pdf?
Het lettertype mist een correcte tekentoewijzing. Ocr is meestal de meest betrouwbare oplossing.
Hoe haal ik tekst uit een gescande pdf?
Gebruik ocr. De PDF naar tekst-tool op deze website voert dit automatisch uit wanneer een pagina geen tekstlaag heeft.
Kan ik de opmaak behouden?
Tekstextractie zonder opmaak verwijdert lettertypen en lay-out. Om te bewerken met behoud van opmaak kun je converteren met een PDF-naar-Word-tool, maar houd rekening met wat handmatig opkuiswerk.