Wie aus PDF-Text Tabellenzellen entstehen
Der Konverter ordnet positionierte Textfragmente nach Zeilen und wiederkehrenden horizontalen Spaltenanfängen. Getrennte Tabellenbereiche auf einer Seite können mehrere Arbeitsblätter ergeben. Fehlende Werte bleiben leer, damit benachbarte Beträge möglichst nicht in die falsche Spalte rutschen. Die ursprüngliche Excel-Struktur wird nicht wiederhergestellt.
Beispiel: Positionen einer Rechnung
Artikelnummer, Menge und Gesamtpreis können als drei bearbeitbare Zellen erscheinen. Mehrzeilige Beschreibungen, zusammengeführte Überschriften oder uneinheitliche Einrückungen sind jedoch mehrdeutig. Vergleiche Zeilenanzahl, Mengen, Vorzeichen, Dezimaltrennzeichen und Summen vor der Buchhaltung mit dem PDF.
Scans und konkrete Verarbeitungsgrenzen
Enthält das gesamte PDF kaum auswählbaren Text, nutzt das Werkzeug positionierte OCR. Dieser Ersatzweg ist auf 20 MB und 20 Seiten begrenzt; für die normale PDF-zu-Excel-Konvertierung gelten höchstens 100 Seiten. Formeln, Diagramme und ursprüngliche Zellformatierungen lassen sich aus einem PDF nicht zurückgewinnen.
Gemischte PDF-Seiten und sichere Grenzen
Bei PDFs mit digitalen und gescannten Seiten wird jede Seite einzeln bewertet. Seiten mit zu wenig auswählbarem Text benötigen positionierte OCR; digitale Seiten behalten ihre ursprünglichen Textkoordinaten. Wird das OCR-Limit von 20 MB oder 20 Seiten überschritten, stoppt die Konvertierung, statt Seiten stillschweigend wegzulassen. Zum Schutz des Browsers werden Seiten mit über 50.000 Textfragmenten, 10.000 Zeilen, 256 unterschiedlichen Spaltenanfängen oder zwei Millionen Zeichen abgelehnt. Diese Grenzen sind keine Garantie für die OCR-Genauigkeit.
Was die Prüfung wirklich bestätigt
Die erzeugte XLSX-Datei wird erneut geöffnet und die Zellen werden mit der erschlossenen Tabelle verglichen. Texte über 32.767 Zeichen pro Zelle und unzulässige XML-Zeichen werden abgelehnt, nicht still gekürzt. Eine erfolgreiche Prüfung bestätigt die Übereinstimmung mit der erkannten Struktur, nicht die Richtigkeit jeder OCR-Ziffer.
Passende Alternativen
Für bearbeitbare Absätze nutze PDF in Word. Beginnt die Aufgabe mit einem Foto, wähle Bild in Excel. Weitere Möglichkeiten findest du unter PDF-Werkzeuge.
Gescannte Seiten mit auswählbarer Seitennummer
Eine gescannte Tabelle kann eine digitale Fußzeile wie „Seite 2 von 3“ enthalten. Eine solche Seitenzahl ist kein Beleg für auslesbare Tabellenzellen. Deshalb wird jede Seite einzeln geprüft und bei reiner Seitennummer OCR verwendet. Die Wortkoordinaten beziehen sich auf die vollständige gerenderte Seitenhöhe einschließlich leerer Ränder, damit Tabellenzeilen nicht verschoben werden.