Warum PDF-Kopieren zu Zeichensalat wird (und wie man es behebt)

Equalang

Kurz gesagt

Erfahren Sie, warum gestochen scharfe PDFs beim Einfügen als Vierecke oder Zeichensalat erscheinen (/ToUnicode CMap fehlt), wie Sie Schriften in 10 Sekunden prüfen und Text extrahieren.

Schlagwörter: pdf text kopieren zeichensalat; pdf kopieren vierecke tofu; ToUnicode CMap fehlt; pdffonts uni no; pdf text extrahieren kaputt beheben

Wenn ein PDF auf dem Bildschirm gestochen scharf aussieht, sich beim Einfügen in einen Texteditor jedoch als leere Kästchen (``), wirre Symbole oder verschobene Buchstaben (wie "Hello" zu "Khoor") entpuppt, fehlt im eingebetteten Schriftarten-Dictionary des Dokuments eine gültige /ToUnicode-Zeichentabelle (CMap). Da PDF ein von PostScript abstammendes Seitenlayout- und Vektorzeichnungsformat ist – und kein Textverarbeitungsdokument –, benötigt ein PDF-Viewer lediglich Glyphen-IDs und Vektorkonturen, um Buchstaben gestochen scharf auf dem Monitor darzustellen. Das System muss beim Rendern nicht wissen, welches tatsächliche Unicode-Zeichen (U+0041 für 'A') hinter einer Kurve steckt. Erst wenn Sie Strg+C bzw. Cmd+C drücken, sucht der Viewer nach dieser Zuordnung. Fehlt diese Nachschlagetabelle, ist sie beschädigt oder durch eine fehlerhafte verborgene OCR-Schicht blockiert, landen rohe Glyphen-Indizes statt lesbarem Text in Ihrer Zwischenablage.

Wie das Rendern von PDFs funktioniert vs. wie Strg+C funktioniert

Es wirkt paradox, dass Sie einen Absatz in Adobe Acrobat oder Google Chrome mühelos lesen können, Ihr Computer beim Kopieren aber kein einziges sinnvolles Wort erfasst. Diese Diskrepanz entsteht, weil das Zeichnen einer Seite und das Extrahieren von Text zwei vollkommen getrennte Datenstrukturen innerhalb der PDF-Spezifikation verwenden (ISO 32000-1:2008 Abschnitt 9.10, Extraction of Text Content).

Wenn ein PDF Text auf dem Bildschirm darstellt:

  1. Der Inhaltsstrom der Seite (Content Stream) gibt einen Zeichenbefehl mit einer Sequenz interner Zeichencodes / Glyphen-IDs aus (zum Beispiel <0001 0002 0003> Tj).
  2. Der PDF-Renderer öffnet die eingebettete Subsetting-Schriftart und schlägt Form Nr. 1, Form Nr. 2 und Form Nr. 3 nach.
  3. Er zeichnet diese kubischen Bézierkurven an exakten (x, y)-Koordinaten. Zu keinem Zeitpunkt interessiert sich die Grafik-Engine dafür, ob Form Nr. 1 der Buchstabe 'T', ein mathematisches Integralzeichen oder ein Firmenlogo ist.

Wenn Sie dieselbe Zeile markieren und Strg+C / Cmd+C drücken, nützen Ihrem Betriebssystem Vektorkurven in der Zwischenablage nichts. Der PDF-Viewer muss jede interne Glyphen-ID in einen standardisierten Unicode-Codepunkt übersetzen:

[Bildschirm-Rendering-Pfad]
Seitenbefehl (<0001 0002 0003> Tj) ──► Eingebettete Vektorkonturen ──► Gestochen scharfe Pixel auf dem Bildschirm

[Zwischenablage-Pfad (Kopieren & Einfügen)]
Seitenbefehl (<0001 0002 0003> Tj) ──► /ToUnicode CMap der Schrift ──► Standard-Unicode-Text (U+0054 "T"...)
                                           │
                                    (Wenn fehlend oder fehlerhaft)
                                           ▼
                                  Zeichensalat / Vierecke ( ) / Verschobene Buchstaben

Wurde die Schriftart beim Erstellen des PDFs beschnitten (Subsetting) – etwa indem nur die 42 im Dokument genutzten Zeichen sequenziell von 1 bis 42 durchnummeriert wurden –, ohne einen expliziten /ToUnicode-Datenstrom einzubetten, muss der Viewer raten. Glyphe Nr. 1 (die optisch ein 'T' zeichnet) wird dann möglicherweise als U+0001 (ein nicht druckbares Steuerzeichen), als Private-Use-Area-Zeichen (das als leeres Quadrat dargestellt wird) oder als verschobener ASCII-Wert eingefügt.

Die 3 Hauptursachen für Zeichensalat beim PDF-Kopieren

Nicht jedes fehlerhafte Zwischenablage-Ergebnis scheitert auf dieselbe Weise. Das Erscheinungsbild des eingefügten Texts zeigt genau, welche Ebene des PDFs beschädigt ist:

Was beim Einfügen erscheintTypisches BeispielUrsache im PDF-DokumentKönnen Standard-Konverter ohne OCR das beheben?
Leere Kästchen, Fragezeichen oder SteuerzeichenoderEingebettete Subsetting-Schrift verwendet Identity-H oder benutzerdefinierte Indizes ohne beigefügte /ToUnicode-CMap.Nein. Die Zeichenzuordnung existiert schlichtweg nicht in der Datei.
Cäsar-verschobene oder völlig vertauschte lateinische Buchstaben"Hello" → "Khoor" oder "!#$%&"Benutzerdefinierte Type-1-/Type-3-Kodierung oder absichtliche Schriftoberflächlichkeit/Verschleierung des Verlags, bei der Glyphen-Indizes gegen ASCII verschoben sind.Nein. Standard-Tools lesen dieselbe verschobene Tabelle wie die Zwischenablage.
Fehlende Buchstabenpaare oder merkwürdige Symbole"efficient" → "ef cient" oder "ef?cient"Typografische Ligaturen (fi, fl, ffi) oder mathematische Symbole wurden ohne Mehrzeichen-/ToUnicode-Eintrag zugewiesen.Teilweise (nur durch manuelles Suchen und Ersetzen im Nachhinein).
Buchstabensalat mit ähnlichen Zeichen (1lI0O, wilde Satzzeichen)"The result" → "Thc rcsult ~!"Beschädigte unsichtbare OCR-Ebene über einem sauberen Scan: Ein alter Scanner hat vor Jahren fehlerhafte OCR ausgeführt und unsichtbaren Mülltext hinterlegt.Nein. Die alte Ebene muss verworfen und OCR neu ausgeführt werden (--force-ocr).

1. Fehlende oder beschädigte /ToUnicode-CMaps bei Subsetting-Schriftarten

Um die Dateigröße gering zu halten, betten PDF-Generatoren fast immer nur Schriftuntergruppen ein (ABCDEF+TimesNewRoman). Ältere LaTeX-Toolchains (dvips / ps2pdf), CAD-Exportprogramme, veraltete virtuelle Druckertreiber und Verlags-Workflows mit Kopierschutzmaßnahmen vergeben sequenzielle interne IDs (0x0001, 0x0002...), setzen das Encoding auf Identity-H und lassen das /ToUnicode-Dictionary komplett weg.

Im rohen PDF-Objektstrom unterscheidet sich eine intakte Schrift von einer defekten Schrift nur durch einen Eintrag:

% INTAKTE SCHRIFTART (Kopieren und Einfügen funktioniert)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H
   /ToUnicode 15 0 R        % <-- Verweist auf gültigen CMap-Stream zur Konvertierung in Unicode
>>
endobj

% DEFEKTE SCHRIFTART (Kopieren erzeugt Zeichensalat)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H    % <-- Nur interne IDs, KEIN /ToUnicode-Eintrag vorhanden!
>>
endobj

2. Typografische Ligaturen und benutzerdefinierte Mathe-/Symbol-Kodierungen

Im anspruchsvollen Schriftsatz (insbesondere bei Computer Modern in LaTeX) werden aufeinanderfolgende Buchstaben wie f und i zu einer gemeinsamen Glyphe (fi) verschmolzen. Wenn die Schriftart diese einzelne Glyphe einem Sonderplatz (wie 0x0C) zuweist, anstatt eine Eins-zu-Viele-Zuordnung in /ToUnicode festzulegen (<000C> <00660069>), wird aus "first" beim Kopieren " rst" oder "?rst". Dasselbe geschieht bei griechischen Variablen, Minuszeichen oder Summenzeichen in speziellen Type-1-Formelschriftarten.

3. Eine beschädigte unsichtbare OCR-Textebene unter einem sauberen Scan

Bei historischen Dokumenten, alten Lehrbüchern oder eingescannten Unterlagen ist die sichtbare Seite in Wahrheit ein hochauflösendes Bitmap-Bild (JPEG oder JBIG2). Um das Dokument durchsuchbar zu machen, haben ältere Scanner vor vielen Jahren rudimentäre Texterkennungsprogramme darübergelegt und eine unsichtbare Textebene (Rendering-Modus 3 Tr) hinter dem Bild platziert. Markieren Sie den Text mit der Maus, sehen Ihre Augen den sauberen Scan, die Zwischenablage greift jedoch auf die ungenaue, jahrealte OCR-Ebene darunter zu.

10-Sekunden-Diagnose: Die Schrifttabelle des PDFs prüfen

Bevor Sie unzählige PDF-Viewer ausprobieren oder Online-Konverter testen, prüfen Sie direkt, ob die /ToUnicode-Tabelle fehlt.

Methode A: pdffonts im Terminal ausführen (am schnellsten)

Mit der Open-Source-Bibliothek Poppler (brew install poppler unter macOS oder sudo apt install poppler-utils unter Ubuntu/Debian) führen Sie pdffonts direkt auf Ihrer Datei aus:

pdffonts document.pdf

Achten Sie auf die Spalten sub (Schrift-Subsetting aktiv) und uni (/ToUnicode-Tabelle vorhanden):

name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
GJXPKL+CMR10                         Type 1C           Custom           yes yes no       14  0
GJXPKM+CMSY10                        Type 1C           Custom           yes yes no       18  0
ArialMT                              TrueType          WinAnsi          yes no  yes      22  0
  • uni = yes: Die Schrift enthält eine /ToUnicode-Tabelle. Entsteht dennoch Zeichensalat, verweist die Tabelle auf falsche Codepunkte oder Sie kopieren aus einer fehlerhaften unsichtbaren OCR-Ebene.
  • sub = yes UND uni = no: Eindeutiger Befund. Die Schriftart ist ein benutzerdefiniert kodiertes Subsetting ohne jegliche Unicode-Informationen in der Datei. Kein herkömmlicher PDF-Reader kann daraus lesbaren Text extrahieren.

Methode B: Datei > Eigenschaften > Schriften im Adobe Acrobat Reader prüfen

Wenn Sie eine grafische Oberfläche bevorzugen:

  1. Öffnen Sie das PDF im kostenlosen Adobe Acrobat Reader.
  2. Drücken Sie Strg+D (Cmd+D auf dem Mac) oder wählen Sie Datei > Eigenschaften und klicken Sie auf den Reiter Schriften.
  3. Klappen Sie die Schriften auf, die auf der betroffenen Seite verwendet werden. Erscheint bei einer (Eingebettete Untergruppe) die Angabe Kodierung: Benutzerdefiniert oder Identity-H (besonders in Verbindung mit Type 1, Type 3 oder CID), ist genau diese Schrift für den Zeichensalat verantwortlich.

Sauberen Text aus fehlerhaften PDFs extrahieren und wiederherstellen

Sobald feststeht, dass /ToUnicode fehlt (uni = no) oder eine veraltete OCR-Schicht beschädigt ist, helfen Standard-Kopierversuche oder einfache Konverter nicht weiter. Diese Werkzeuge greifen auf dieselben fehlerhaften Tabellen zu. Um wieder lesbaren Text zu erhalten, müssen Sie die internen Zeichencodes umgehen und die gerenderten Formen mittels optischer Zeichenerkennung (OCR) erfassen.

Lösung 1: Kurze Textpassagen direkt per Bildschirm-OCR erfassen

Wenn Sie lediglich zwei Absätze, eine Tabellenzeile oder ein Zitat benötigen:

  • macOS (Live Text in Vorschau oder Bildschirmfoto): Erstellen Sie mit Cmd+Umschalt+4 einen Screenshot des Absatzes und öffnen Sie ihn in der Vorschau. Die macOS-Funktion Live Text ignoriert die PDF-Schrifttabelle vollständig und erkennt den Text direkt anhand der Bildpixel.
  • Windows (PowerToys Text Extractor): Drücken Sie Win+Umschalt+T, ziehen Sie einen Auswahlrahmen über das gerenderte PDF-Fenster und kopieren Sie den erkannten Text direkt in die Zwischenablage.

Lösung 2: Die gesamte PDF-Textebene mit ocrmypdf --force-ocr neu aufbauen

Wenn Sie ein vollständiges, dauerhaft durchsuch- und kopierbares PDF benötigen, nutzen Sie ocrmypdf mit dem Parameter --force-ocr. Standard-OCR-Tools überspringen Seiten, die bereits Textdaten enthalten; --force-ocr rastert die Vektorseite in 300 DPI, entfernt die defekte Schriftzuordnung und bettet eine saubere Unicode-Ebene ein:

# ocrmypdf installieren (macOS / Ubuntu)
brew install ocrmypdf
# oder: sudo apt install ocrmypdf

# Fehlerhafte Schriftzuordnung / alte OCR-Ebene durch eine saubere Unicode-Ebene ersetzen
ocrmypdf --force-ocr broken-input.pdf clean-copyable.pdf

Handelt es sich um ein mehrsprachiges Dokument (beispielsweise ein deutsch-englisches Handbuch), übergeben Sie die Sprachcodes explizit an Tesseract (-l deu+eng).

Lösung 3: Fremdsprachige Fachartikel ohne Copy-Paste direkt im Originallayout übersetzen

Häufig fällt der Zeichensalat überhaupt erst auf, weil Sie einen dichten fremdsprachigen Absatz aus einem zweispaltigen Forschungsbericht oder einer technischen Dokumentation in ein Übersetzungstool einfügen wollten.

Statt einzelne Absätze abzutippen, Ligaturen manuell zu reparieren oder über Spalten hinweg getrennte Sätze zusammenzufügen, können Sie das PDF direkt in einem layoutbewussten Workflow wie der Equalang Dokumentübersetzung verarbeiten (siehe auch PDF-Dokumente übersetzen und zweispaltig nebeneinander lesen). Das Erfassen der visuellen Seitenstruktur umgeht fehlende /ToUnicode-Tabellen, bewahrt Spalten, Tabellen sowie Formeln und ermöglicht das synchrone Lesen von Original und Übersetzung nebeneinander.

Zweispaltiges englisches wissenschaftliches PDF im Equalang-Übersetzungsarbeitsbereich Seite an Seite mit dem übersetzten Layout dargestellt
Wenn eine fehlende /ToUnicode-Tabelle das Kopieren in die Zwischenablage verhindert, umgeht die direkte Übersetzung des gesamten PDF-Layouts die manuelle Textextraktion

Häufig gestellte Fragen (FAQ)

Warum sieht mein PDF bei 400 % Zoom gestochen scharf aus, fügt sich aber als Zeichensalat ein?

Die optische Schärfe resultiert aus Vektorkonturen (mathematische Bézierkurven innerhalb der eingebetteten Schriftart), während das Kopieren eine separate Zuordnungstabelle (/ToUnicode CMap) benötigt. Der PDF-Viewer beherrscht die exakte geometrische Zeichnung jedes Zeichens bei jeder Vergrößerung, selbst wenn ihm Metadaten darüber fehlen, welcher Buchstabe gemeint ist.

Lässt sich das Problem beheben, indem man PDF-Passwörter oder Rechtebeschränkungen entfernt?

Nein. Berechtigungsbeschränkungen steuern lediglich, ob der Menüpunkt Kopieren aktiv ist oder ausgegraut bleibt. Wenn Sie Text markieren, Strg+C drücken und überhaupt etwas einfügen können (selbst wenn es nur Vierecke oder wirre Zeichen sind), liegt keine Rechtesperre vor, sondern eine fehlende /ToUnicode-Zuordnung.

Warum erzeugen Microsoft Word oder kostenlose Online-Konverter genau denselben Zeichensalat?

Die meisten Konverter lesen direkt die internen Datenströme und Zeichentabellen des PDFs aus, ohne eine optische Zeichenerkennung durchzuführen. Zeigt pdffonts den Wert uni = no, sind die Zeichenidentitäten im Datenstrom schlicht nicht vorhanden – jedes Tool ohne visuelle OCR gibt folglich denselben Zeichensalat aus.

Quellen und Referenzen