Was ein PDF wirklich ist, und warum du den Text nicht immer kopieren kannst

Ein PDF ist eine Liste von Zeichenanweisungen. Es sagt: Setze diese Glyphe an diese Koordinate, in dieser Schrift, in dieser Größe, geh dann hierhin und zeichne die nächste. Es sagt nicht: Das ist eine Überschrift, das ist ein Absatz, diese Spalte kommt vor jener. Alles, was ein Betrachter über die Struktur einer Seite zu wissen scheint, ist nachträglich rekonstruiert worden, indem Abstände zwischen Zeichen gemessen wurden, und das erklärt fast alles, was an PDFs frustriert.

Was ein PDF tatsächlich speichert

Text auf einer Seite lebt in einem Content-Stream, einer kurzen Folge von Operatoren:

BT
  /F1 11 Tf
  72 708 Td
  [(In) -18 (v) 22 (oice)] TJ
  180 0 Td
  (2026-08-25) Tj
ET

Tf wählt Schrift und Größe, Td bewegt den Textcursor, und TJ zeichnet Glyphen mit Unterschneidungsabständen dazwischen. Beachte, was fehlt: nirgends ein Leerzeichen. Die Lücke vor dem Datum ist ein Sprung von 180 Einheiten, und ein Extraktor muss entscheiden, ob jeder Sprung ein Leerzeichen, ein Tabulator, eine Spaltengrenze oder gar nichts ist. Ein leicht danebenliegender Schwellenwert liefert dir Invoice2026-08-25 oder I n v o i c e.

Die Lesereihenfolge hat dasselbe Problem: Glyphen kommen in der Reihenfolge heraus, in der sie gezeichnet wurden. Ein zweispaltiges Layout zeichnet oft die linke Spalte die Seite hinunter und dann die rechte, in diesem Fall funktioniert das Kopieren; hat der Erzeuger zeilenweise quer über das Blatt gezeichnet, verschränkt das Kopieren die Spalten zu Unsinn.

Ein Text-PDF von einem Scan unterscheiden

Ein gescanntes Dokument enthält überhaupt keinen Text: Es ist ein Foto einer Seite, verpackt in ein PDF. Die optische Zeichenerkennung legt eine unsichtbare Textschicht über das Bild, was die Datei durchsuchbar macht, aber diese Schicht ist eine Vermutung, ihre Fehler zeigen sich also als fehlgeschlagene Suchen und verstümmelte Kopien.

Schriften, Einbetten und Teilmengen

Eine Schrift ist entweder eingebettet, das Schriftprogramm sitzt also in der Datei, oder über Name und Metriken referenziert, sodass der Betrachter auf der anzeigenden Maschine etwas Ähnliches findet. Referenzierte Schriften sind der Grund, warum ein Dokument dort richtig aussieht, wo es entstand, und anderswo falsch: Der Ersatz hat andere Zeichenbreiten, Zeilen brechen also neu um, Tabellen laufen über, und aus einem einseitigen Brief werden zwei.

Eingebettete Schriften enthalten fast immer nur eine Teilmenge. Nur die verwendeten Glyphen kommen mit, und sie werden häufig neu nummeriert, die Glyphe für A kann also auf Code 3 liegen. Die Rückabbildung auf echte Zeichen liegt in einer eigenen ToUnicode-Tabelle, und wenn sie fehlt oder falsch ist, wird die Seite einwandfrei dargestellt, während der kopierte Text als Kauderwelsch ankommt, weil du interne Glyphencodes statt Zeichen bekommst. Erneutes Speichern repariert das nicht; die Auswege sind das Quelldokument oder eine Zeichenerkennung über gerenderten Seiten.

Seitengröße, Rahmen und Drehung

Koordinaten sind in Punkt angegeben, 72 pro Zoll, und jede Seite trägt mehrere Rechtecke. Die MediaBox ist das volle Blatt; die CropBox ist der tatsächlich angezeigte Bereich, der kleiner sein kann.

A4 und Letter sehen auf dem Bildschirm identisch aus und unterscheiden sich auf Papier; einen europäischen Bericht mit einem amerikanischen zusammenzuführen ergibt also Seiten, die in der Größe wechseln.

Jede Seite trägt außerdem ein Rotationsflag von 0, 90, 180 oder 270 Grad, damit quer abgelegter Inhalt aufrecht gezeigt werden kann. Rotate PDF setzt dieses Flag, statt irgendetwas neu zu zeichnen, was es sofort fertig und verlustfrei macht, aber die Koordinaten darunter bleiben unverändert: Ein Werkzeug, das das Flag ignoriert, extrahiert den Text quer, und Seiten mit gemischten Flags zusammenzuführen ergibt ein Dokument, das einheitlich aussieht, während sein Inhalt in mehreren Ausrichtungen liegt.

Zusammenführen, Aufteilen und die Teile, die kaputtgehen

Seiten leben in einem Seitenbaum. Merge PDF kopiert Seitenobjekte und alles, worauf sie verweisen, in eine Datei und baut diesen Baum neu auf; Split PDF nimmt einen Zweig davon. Die Seiten kommen unversehrt durch, was am Dokument hängt, nicht immer.

• Lesezeichen sind eine eigene Gliederung, die auf Seitenobjekte zeigt. Viele Werkzeuge zum Zusammenführen lassen sie ganz weg, und beim Aufteilen bleiben Einträge zurück, die auf Seiten zielen, die es nicht mehr gibt.
• Formularfelder werden auf Dokumentebene benannt, nicht auf Seitenebene; zwei Kopien eines Formulars zusammenzuführen ergibt also zwei Felder namens name, die viele Betrachter als ein Feld mit gemeinsamem Wert behandeln: Füllst du eines aus, füllt sich das andere. Flache sie vorher ab oder benenne sie um.
• Anmerkungen wie Links und Kommentare reisen mit ihren Seiten mit, aber ein interner Link, dessen Zielseite bei einer Aufteilung weggelassen wurde, führt ins Leere.

Eine zusammengeführte Datei ist oft größer als ihre Teile, weil gemeinsam genutzte Ressourcen doppelt vorliegen: Vier Quellen, die jeweils eine Teilmenge derselben Schrift eingebettet haben, ergeben vier Teilmengen, dazu vier Farbprofile und vier Metadatenblöcke. Sie kann auch kleiner herauskommen, weil das Neuschreiben ungenutzte Objekte und die Speicherhistorie verwirft: Ein dreißigmal gespeichertes Dokument trägt jede frühere Fassung angehängt mit sich.

Passwörter, Berechtigungen und Tags

Es gibt zwei Arten von Passwort, und sie sind nicht vergleichbar. Ein Benutzerpasswort wird zum Öffnen des Dokuments verlangt: Der Inhalt ist tatsächlich mit einem daraus abgeleiteten Schlüssel verschlüsselt, ohne es gibt es also nichts zu lesen. Moderne Dateien nutzen AES-256, sehr alte RC4 mit 40 Bit, was schwach ist.

Ein Besitzerpasswort setzt Berechtigungsflags wie kein Drucken, kein Kopieren und kein Bearbeiten. Die Datei ist weiterhin verschlüsselt, aber mit einem Schlüssel, den jeder Betrachter ohne fremde Hilfe ableiten kann, weil das Benutzerpasswort leer ist. Die Flags sind eine Bitte, die manche Betrachter beachten und andere ignorieren: Wenn eine Datei ohne Nachfrage aufgeht, sind ihre Einschränkungen unverbindlich, was auch immer der Eigenschaftendialog sagt.

Tagging ist eine andere Schicht: ein optionaler Strukturbaum, der Überschriften, Listen, Tabellenzellen und Bildbeschreibungen auszeichnet und eine Lesereihenfolge festlegt. Ein Screenreader liest bei einem getaggten PDF das Dokument; bei einem ungetaggten rät er anhand der Koordinaten und erzeugt dasselbe Durcheinander wie Kopieren und Einfügen. Scans sind per Definition ungetaggt, die Zeichenerkennung ergänzt Text, aber keine Struktur, und die Ausgabe von Images to PDF oder PDF to Images hat weder das eine noch das andere.

Wo die Größe steckt, und was der Browser fassen kann

Die Dateigröße sind fast immer Bilder. Eine A4-Seite braucht bei 150 dpi rund 1240 mal 1754 Pixel und bei 300 dpi 2480 mal 3508, ein mit 12 Megapixeln platziertes Foto trägt also weit mehr Daten, als der Druck verwenden kann, und Herunterrechnen ist die einzige Änderung, die ein Dokument verlässlich verkleinert. Ein reines Text-PDF erneut zu speichern bringt sehr wenig, weil seine Content-Streams bereits komprimiert sind; wenn eines unerwartet groß ist, sieh dir eingebettete Schriften, die Speicherhistorie oder Anhänge an.

All das geschieht lokal im Browser, es wird also nichts hochgeladen, und die Grenze ist der Arbeitsspeicher und nicht die Dateigröße. Das Rendern ist der teure Teil: Eine A4-Seite im Maßstab 4x sind etwa 2380 mal 3368 Pixel, rund 32 MB unkomprimierte Bitmap für eine einzige Seite; fünfzig Seiten in diesem Maßstab erschöpfen einen Browser-Tab also lange, bevor sie die Maschine belasten. Teile ein sehr großes Dokument zuerst auf und arbeite dann in Stapeln.