Was ist PDF? Aufbau, Geschichte und Tipps zur Umwandlung

Wenn Sie einen Vertrag per E-Mail verschicken, soll er beim Empfänger mit demselben Layout, denselben Schriften und denselben Seitenumbrüchen ankommen. Genau dafür wurde PDF (Portable Document Format) entwickelt. Heute werden die meisten Dokumente, die als „endgültig“ gelten, als PDF verschickt: von Rechnungen und Gerichtsurteilen bis zu Fachartikeln und Bordkarten. Dieser Artikel erklärt, woher PDF kommt, was in der Datei steckt, welche Versionen es gibt und was bei der Umwandlung in ein anderes Format erhalten bleibt oder verloren geht.

Was ist PDF?

PDF ist ein Dateiformat, das jede Seite eines Dokuments mit festem Erscheinungsbild beschreibt. In Bearbeitungsformaten wie Word „fließt“ der Text: Machen Sie das Fenster schmaler oder ändern Sie die Schrift, brechen die Zeilen neu um. In einer PDF ist die Position jedes Zeichens, jeder Linie und jedes Bildes auf der Seite im Voraus festgelegt. Die Datei enthält Text, Schriften (meist eingebettet), Bilder und Vektorgrafiken in einem einzigen Paket. Deshalb wird das Dokument auf einem Rechner ohne die ursprüngliche Anwendung, auf dem Smartphone oder auf dem Drucker gleich dargestellt.

Dieses Konzept hat seinen Preis: PDF ist ein Ausgabeformat. Es enthält nicht immer semantische Informationen wie Absätze, Überschriften oder Tabellen. Oft stehen darin nur Anweisungen wie „zeichne diese Glyphen an dieser Koordinate“. Wer diesen Unterschied im Hinterkopf behält, versteht, warum das Bearbeiten einer PDF oder ihre Rückverwandlung in ein Word-Dokument so schwierig ist.

Eine kurze Geschichte

PDF geht auf einen Vorschlag von Adobe-Mitgründer John Warnock aus dem Jahr 1991 zurück, das „Camelot Project“. Ziel war es, Dokumente aus beliebigen Anwendungen zu erfassen und auf jedem Rechner anzuzeigen oder zu drucken. Laut Adobe war daraus bis 1992 PDF geworden, und PDF sowie die Lesesoftware Acrobat erschienen am 15. Juni 1993.

In den ersten fünfzehn Jahren war PDF eine Adobe-Spezifikation und bekam mit jeder Version neue Funktionen: interaktive Formulare (AcroForms) in 1.2, Transparenz und XMP-Metadaten in 1.4 sowie Ebenen, Objektströme und Querverweisströme in 1.5, veröffentlicht im August 2003. Der eigentliche Wendepunkt kam 2008: Am 1. Juli 2008 wurde PDF 1.7 zur internationalen Norm ISO 32000-1:2008, und die Verantwortung für das Format ging an ein ISO-Gremium über. PDF 2.0 (ISO 32000-2) folgte 2017, eine korrigierte zweite Ausgabe im Dezember 2020. Seit April 2023 bietet die PDF Association ISO 32000-2 kostenlos zum Download an.

Zur Größenordnung: In einem Blogbeitrag vom Juni 2023 gab Adobe an, dass Kunden im Vorjahr mehr als 400 Milliarden PDFs in Acrobat-Produkten geöffnet hatten. Diese Zahl umfasst nur Adobe-Produkte; integrierte Browser-Viewer und andere Software sind nicht enthalten.

Was steckt in einer PDF-Datei?

Öffnen Sie eine PDF in einem Texteditor, zeigt die erste Zeile eine Versionskennung wie %PDF-1.7. Der Rest der Datei besteht aus vier Hauptteilen:

1. Header: die erste Zeile, die Format und Version angibt.
2. Body: die „indirekten Objekte“, aus denen das Dokument besteht. Jedes Objekt hat eine Objektnummer und eine Generationsnummer. Seiten, Schriften, Bilder und Inhaltsströme sind allesamt Objekte.
3. Querverweistabelle (xref): listet den Byte-Offset jedes Objekts auf. So kann ein Programm direkt zu jeder Seite springen, ohne die ganze Datei zu durchsuchen. Seit PDF 1.5 kann sie auch als komprimierter „xref-Stream“ gespeichert werden.
4. Trailer und Dateiende: ein Wörterbuch, das auf den Dokumentkatalog (/Root) verweist, gefolgt von startxref (wo die xref beginnt) und der Markierung %%EOF.

Ein vereinfachtes Beispiel sieht so aus:

%PDF-1.7
1 0 obj << /Type /Catalog /Pages 2 0 R >> endobj
2 0 obj << /Type /Pages /Kids [3 0 R] /Count 1 >> endobj
3 0 obj << /Type /Page /Parent 2 0 R /Contents 4 0 R >> endobj
4 0 obj << /Length 44 >> stream
BT /F1 12 Tf 72 720 Td (Hello) Tj ET
endstream endobj
xref ...
trailer << /Root 1 0 R /Size 5 >>
startxref ...
%%EOF

Der eigentliche Seiteninhalt steht im Inhaltsstrom. Im Beispiel ist der Block BT ... ET ein Textobjekt, Tf wählt Schrift und Größe, Td setzt die Position und Tj zeichnet den Text. Beachten Sie: Hier gibt es keinen Begriff von „Absatz“ oder „Überschrift“, nur positionierte Glyphen. Selbst eine einzige sichtbare Zeile ist oft in mehrere Fragmente zerlegt.

Eine weitere PDF-Eigenschaft ist das inkrementelle Update. Wenn Sie einen Kommentar oder eine Signatur hinzufügen, kann die Software neue Objekte und einen neuen xref-Abschnitt ans Dateiende anhängen, statt die Datei neu zu schreiben. Digitale Signaturen nutzen diesen Mechanismus, damit der signierte Inhalt unverändert bleibt.

PDF-Profile und Teilstandards

Neben ISO 32000 gibt es eingeschränkte PDF-Profile für bestimmte Zwecke. Das bekannteste ist PDF/A für die Langzeitarchivierung. Der erste Teil, PDF/A-1, erschien im Oktober 2005 als ISO 19005-1. Eine PDF/A-Datei muss alle Schriften einbetten, Farben geräteunabhängig definieren und XMP-Metadaten enthalten; Verschlüsselung, JavaScript, Audio, Video und externe Abhängigkeiten sind verboten. Deshalb verlangen Archive und Behörden häufig PDF/A.

Praktisch wichtiger ist die Unterscheidung zwischen textbasierten PDFs und gescannten PDFs. Eine Datei, die mit „Als PDF speichern“ aus Word oder dem Browser erzeugt wurde, enthält echten Text, den Sie markieren, durchsuchen und kopieren können. Ein eingescanntes Blatt Papier ist nur ein Bild in einer PDF. Um daraus Text zu gewinnen, braucht man OCR (optische Zeichenerkennung).

Wo wird PDF eingesetzt?

• Rechtlicher und amtlicher Schriftverkehr: Verträge, Schriftsätze und Urteile, unterstützt durch digitale Signaturen.
• Buchhaltung und E-Commerce: Rechnungen, Quittungen und Kontoauszüge.
• Verlagswesen und Druck: druckfertige Dateien, E-Books und Kataloge.
• Wissenschaft: Fachartikel, Abschlussarbeiten und Vorlesungsskripte.
• Formulare: ausfüllbare Anträge und Erklärungen.
• Archivierung: Unterlagen, die jahrzehntelang aufbewahrt werden müssen, mit PDF/A.

Stärken und Schwächen

Welche Programme öffnen PDF?

Installieren müssen Sie selten etwas. Chrome, Edge, Firefox und Safari bringen einen PDF-Viewer mit. Unter macOS öffnet Vorschau PDFs, unter Windows übernimmt das Edge. Für anspruchsvolle Bearbeitung, Formularerstellung und Signaturen ist Adobe Acrobat die übliche Wahl. Auch Microsoft Word kann eine PDF öffnen und versuchen, daraus ein bearbeitbares Dokument zu machen; das Ergebnis hängt davon ab, wie komplex die Datei ist. Unter Linux sind Evince, Okular und die Poppler-Werkzeuge verbreitet.

Typische Probleme und Lösungen

Aus einer PDF kopierter Text kommt durcheinander heraus

Eine PDF kann Text in Zeichenreihenfolge statt in Lesereihenfolge speichern. In einem zweispaltigen Artikel können sich die Zeilen vermischen, und manche Schriften sind ohne Unicode-Zuordnung eingebettet, sodass Umlaute und Sonderzeichen kaputt aussehen können. Eine Umwandlung der PDF in TXT oder Word liefert meist ein saubereres Ergebnis als das Kopieren aus dem Viewer.

Die Datei ist verschlüsselt und lässt sich weder öffnen noch umwandeln

Eine PDF kann zwei Arten von Passwort haben: ein Öffnungspasswort und ein Berechtigungspasswort (für Bearbeiten oder Drucken). Kein Konverter kann eine Datei mit Öffnungspasswort lesen, ohne es zu kennen. Wenn Sie das Passwort haben, öffnen Sie die Datei, entfernen Sie den Schutz, speichern Sie sie erneut und wandeln Sie sie dann um.

Eine gescannte PDF lässt sich nicht durchsuchen

Die Datei enthält Bilder statt Text, deshalb funktionieren Suchen und Kopieren nicht. Sie brauchen eine OCR-Software, die eine Textebene hinzufügt.

Die Schriften sehen anders aus als im Original

Hat die erzeugende Anwendung die Schriften nicht eingebettet, ersetzt der Viewer sie durch ähnliche. Wenn Sie beim Export „Schriften einbetten“ aktivieren oder als PDF/A speichern, lässt sich das vermeiden.

Tipps zum Umwandeln von PDF-Dateien

Eine PDF umzuwandeln bedeutet, ein festes Seitenlayout als fließendes Dokument neu aufzubauen. Selbst das beste Werkzeug muss dabei begründete Annahmen treffen. So geht unser Konverter vor: Wenn Sie PDF in Word umwandeln, wird die Datei auf unseren Server hochgeladen, die Open-Source-Werkzeuge von Poppler lesen jedes Textfragment samt Position, und die Zeilen werden wieder zu Absätzen zusammengeführt. Zeichenformatierungen wie Fett und Kursiv sowie der Lesefluss bleiben weitgehend erhalten, mehrspaltige Seiten, komplexe Tabellen und positionierte Textfelder entsprechen dem Original aber womöglich nicht genau. Hochgeladene Dateien werden innerhalb von 30 Minuten vom Server gelöscht.

• Wenn Sie nur den Text brauchen, liefert die Umwandlung PDF in TXT das sauberste Ergebnis: Die Formatierung entfällt, lesbarer Klartext bleibt.
• Wenn das Seitenbild im Web erhalten bleiben soll, setzt PDF in HTML den Text an seine ursprünglichen Positionen auf der Seite.
• Gescannte PDFs enthalten keinen Text, daher kann unser Konverter daraus keinen bearbeitbaren Text gewinnen. Führen Sie zuerst eine OCR durch.
• Verschlüsselte PDFs lassen sich nicht umwandeln; Sie erhalten dann einen Hinweis, das Passwort zu entfernen.

Der umgekehrte Weg ist einfacher. Mit Word in PDF gehen DOCX-, DOC- und RTF-Dateien ohne Zwischenschritt über LibreOffice direkt in PDF, sodass Seitenlayout, Kopf- und Fußzeilen, Tabellen und Bilder erhalten bleiben. Haben Sie eine Schrift verwendet, die auf dem Server nicht installiert ist, wird sie unter Umständen durch eine ähnliche ersetzt. Quellen wie HTML, Markdown und TXT werden auf A4-Seiten gesetzt und von einer Browser-Engine als PDF gedruckt.

Häufig gestellte Fragen

Wann wurde PDF entwickelt?

Die Idee geht auf John Warnocks Camelot-Vorschlag von 1991 zurück. PDF und Acrobat erschienen am 15. Juni 1993, und 2008 wurde das Format zur internationalen Norm ISO 32000-1.

Was ist der Unterschied zwischen PDF 1.7 und PDF 2.0?

PDF 1.7 ist die letzte Adobe-Version und wurde 2008 als ISO 32000-1 genormt. PDF 2.0 (ISO 32000-2) wurde vollständig innerhalb der ISO entwickelt, 2017 veröffentlicht und in einer Ausgabe von 2020 korrigiert. Im Alltag öffnen sich beide in denselben Programmen.

Was ist PDF/A und wann sollte ich es verwenden?

PDF/A ist ein eingeschränktes PDF-Profil für die Langzeitarchivierung. Es verlangt eingebettete Schriften und verbietet Funktionen wie Verschlüsselung und JavaScript. Wählen Sie es, wenn ein Dokument auch in vielen Jahren noch gleich aussehen muss oder wenn eine Institution es verlangt.

Warum zerfällt das Layout, wenn ich eine PDF in Word umwandle?

Weil eine PDF meist keine Absatz- oder Tabelleninformationen enthält, sondern nur positionierte Glyphen. Der Konverter muss Zeilen und Absätze aus diesen Fragmenten neu aufbauen. Einfache einspaltige Dokumente lassen sich sehr gut umwandeln; mehrspaltige oder tabellenlastige Seiten brauchen eventuell Nacharbeit von Hand.

Kann ich eine gescannte PDF in bearbeitbaren Text verwandeln?

Dafür ist OCR nötig. Unser Konverter führt keine OCR durch; er überträgt nur Text, der tatsächlich in der PDF vorhanden ist. Lassen Sie das gescannte Dokument zuerst durch eine OCR-Software laufen und wandeln Sie es danach um.

Ist es sicher, meine PDFs umzuwandeln?

Die Dokumentumwandlung läuft auf unserem Server. Die Datei wird nur für die Umwandlung verwendet und innerhalb von 30 Minuten gelöscht. Streng vertrauliche Unterlagen möchten Sie aber vielleicht trotzdem bei keinem Onlinedienst hochladen.

Quellen

• Adobe: What is a PDF? (The Camelot Project und die Entstehung von PDF)
• Adobe Blog: Celebrating 30 years of digital transformation with Adobe Acrobat (15. Juni 2023)
• Library of Congress: Formatbeschreibung PDF 1.5
• Library of Congress: PDF/A-1, ISO 19005-1:2005
• Wikipedia: PDF (Geschichte und Dateiaufbau, Sekundärquelle)
• Poppler, Bibliothek zur PDF-Darstellung