Was ist Silbentrennung in einem PDF?
Bei der Silbentrennung wird ein langes Wort am Zeilenende geteilt und die Trennstelle durch einen Bindestrich markiert, damit die Zeilen eines Absatzes gleichmäßig gefüllt sind. In einem gedruckten Buch ist das eine unsichtbare Arbeit, in einem PDF dagegen wird die Trennung Teil des Textes. Wenn Sie einen Absatz kopieren, ein Wort suchen oder die Datei in ein bearbeitbares Dokument umwandeln, kann ein Wort wie Information als Infor- und mation in zwei getrennten Zeilen erscheinen. Der Leser sieht ein Wort, das Programm sieht zwei Stücke.
Bedingte und feste Bindestriche
Ein Textprogramm kann einen bedingten Trennstrich einfügen, der nur erscheint, wenn das Wort am Zeilenende steht, und sonst verschwindet, oder einen gewöhnlichen festen Bindestrich, der immer zum Wort gehört, wie in E-Mail-Adresse. Sobald das Dokument als PDF exportiert ist, ist das Layout festgelegt, und der Unterschied geht oft verloren. Im extrahierten Text kann daher ein Bindestrich stehen, der nur ein Zeilenumbruch war, neben Bindestrichen, die zu zusammengesetzten Wörtern gehören.
Auswirkung auf Suche und Textextraktion
Die Suche nach einem ganzen Wort scheitert, wenn das Wort zwischen zwei Zeilen getrennt wurde, und kopierter Text behält die zerbrochenen Teile. Das betrifft auch die Texterkennung gescannter Seiten, bei der das Programm den Bindestrich wie ein normales Zeichen liest. Üblich ist die Bereinigung, bei der das Wort, das eine Zeile mit Bindestrich beendet, mit dem Anfang der nächsten Zeile verbunden wird, und der Bindestrich bleibt, wenn es sich um ein echtes Kompositum handelt.
So hilft AuraDoc dabei
PDF in Text liest die Wörter einer Datei als reinen Text aus, PDF in Word macht ein Dokument bearbeitbar, und OCR für PDF erkennt den Text gescannter Seiten und macht ihn durchsuchbar. Sehen Sie das Ergebnis danach durch und achten Sie auf Wörter, die am Zeilenende getrennt wurden. Jedes Ergebnis ist eine neue Datei, Ihr Original bleibt unverändert.
Werkzeuge, die diesen Begriff nutzen
Anleitungen, die ihn anwenden
- Text aus einem PDF herausholenSchritt für Schritt: Die Textebene eines PDFs lesen, bei einem Scan die Texterkennung starten und das Ergebnis in eine bearbeitbare Word-Datei umwandeln.
- PDF als Word-Datei bearbeitenSchritt für Schritt: Prüfen Sie, ob das PDF echten Text hat, nutzen Sie sonst OCR, wandeln Sie in Word um, vergleichen Sie mit dem Original und speichern Sie den fertigen Text wieder als PDF.
Häufige Fragen
- Ist ein Bindestrich am Zeilenende immer ein echter Bindestrich?
- Nein. Oft ist es nur eine Trennung, die eingefügt wurde, um die Zeile auszugleichen. Die nächste Zeile beginnt mit dem Rest des Wortes, und beide Teile gehören zusammen.
- Warum finde ich ein Wort nicht, das ich auf der Seite sehe?
- Vielleicht ist es durch die Silbentrennung zwischen zwei Zeilen getrennt, sodass die Suche zwei Bruchstücke statt eines Wortes sieht. Mit einem kürzeren Teil des Wortes finden Sie es meist.
- Muss ich alle Bindestriche im extrahierten Text entfernen?
- Nein, nur die, die einen Zeilenumbruch markieren. Bindestriche in zusammengesetzten Wörtern und in Bereichsangaben gehören zum Text und sollten bleiben.