PDF hat keine Textebene: So prüfen Sie es vor jeder Regel

Ein PDF hat keine Textebene, wenn die Wörter auf der Seite nie als Text kodiert wurden – die Datei enthält nur ein Bild von ihnen, es gibt also nichts, was eine Regel, ein Suchfeld oder Strg+F lesen könnte. Das ist der mit Abstand häufigste Grund, warum eine Inhaltsregel stillschweigend nichts tut: keine kaputte Regel, sondern eine Datei ohne irgendetwas unter dem Bild, das sich abgleichen ließe. Sie können in unter einer Minute herausfinden, welche Art von PDF vor Ihnen liegt, auf dem Mac oder unter Windows, bevor Sie überhaupt Zeit in eine Regel investieren. Dieser Leitfaden zeigt diesen Test, was bei einer durchgefallenen Datei zu tun ist, und die weiteren Formate und Grenzen, die selbst bei einem normalen PDF zum stillen Nicht-Match führen.

Warum findet meine Regel keinen Text in einem PDF?

Ein PDF aus Word, Pages oder einer modernen Scan-App trägt zwei Dinge gleichzeitig in sich: das Bild der Seite, das Sie sehen, und dahinter eine verborgene Ebene aus tatsächlichen Zeichen. Diese verborgene Ebene ist die Textebene. Sie ist es, was ein PDF-Reader nutzt, um einen Satz markierbar zu machen, was Strg+F durchsucht, und was eine Inhaltsregel liest.

Eine gescannte Seite oder ein Handyfoto eines Dokuments hat nur das Bild. Niemand hat eine Texterkennung darauf laufen lassen, es gibt also keine Zeichen hinter dem Bild – nur Pixel, angeordnet, damit sie wie Buchstaben aussehen. Für das menschliche Auge können eine gescannte Rechnung und eine „als PDF gedruckte" Rechnung identisch aussehen. Für Software hat die eine Wörter, die andere keine. Genau das führt zu Verwirrung: Die Datei sieht wie ein normales Dokument aus, öffnet sich problemlos, druckt problemlos – und matcht trotzdem keine Inhaltsregel, es sei denn, die Regel führt zuerst OCR aus, weil es nie Text zum Abgleichen gab.

Das ist keine File-Arbor-Eigenheit. Jedes Tool, das den Inhalt einer Datei liest, braucht dafür eine Textebene, File Juggler und organize eingeschlossen; die Tools, die Scans verarbeiten, Hazel 6 und seit 1.3.0 File Arbor Pro, führen zuerst OCR aus, um diesen Text zu erzeugen. Noodlesofts eigenes Hazel-Support-Forum hat einen wiederkehrenden Thread von Nutzern, deren Regeln „aufgehört haben, PDFs zu lesen" – eine fehlende Textebene, oder ein Spotlight-Index, der nicht mehr synchron war, ist dort die wiederkehrende Erklärung.

Der 60-Sekunden-Test: Hat dieses PDF eine Textebene?

Bevor Sie eine Regel auf den Inhalt eines PDFs aufbauen, öffnen Sie die Datei und versuchen Sie, sie so zu lesen, wie es eine Regel tun würde: indem Sie versuchen, den Text zu markieren oder zu durchsuchen. Lässt sich nichts markieren und findet sich nichts, gibt es keine Textebene – und keine Inhaltsregel wird diese Datei matchen, es sei denn, sie führt zuerst OCR aus: in File Arbor Pro, indem Sie die Regel so einstellen, dass sie auch gescannte Dokumente liest (seit 1.3.0).

Auf dem Mac

Öffnen Sie das PDF in der Vorschau. Ziehen Sie den Cursor bei gedrückter Maustaste über eine sichtbare Textzeile. Heben sich einzelne Wörter hervor, hat die Datei eine Textebene. Passiert nichts, egal wo Sie ziehen, hat sie keine. Als zweite Prüfung drücken Sie Cmd+F und suchen nach einem Wort, das deutlich auf der Seite gedruckt ist – eine echte Textebene findet es sofort, ein reines Bild-PDF findet nichts.

Unter Windows

Öffnen Sie das PDF in Ihrem Standard-Reader (Microsoft Edge erledigt das unter Windows 10 und 11 bereits ohne Zusatzsoftware). Ziehen Sie den Cursor über eine Textzeile, oder drücken Sie Strg+A, um alles zu markieren. Eine Textebene hebt einzelne Wörter hervor; eine reine Bildseite markiert entweder gar nichts oder zieht einen einzigen Rahmen um das gesamte Bild. Drücken Sie als zweite Prüfung Strg+F und suchen Sie nach einem Wort von der Seite – dieselbe Regel wie auf dem Mac: gefunden bedeutet Textebene, nicht gefunden bedeutet keine.

Führen Sie diesen Test an einer repräsentativen Datei durch, bevor Sie eine Regel für einen ganzen Ordner voller solcher Dateien bauen. Eine einzelne gescannte Deckseite in einem sonst textbasierten Stapel besteht den Test; ein Ordner voller Schreibtischscanner-Ausgabe meistens nicht – und das lohnt sich, vorher zu wissen statt erst, nachdem eine Regel eine Woche lang still nichts getan hat.

Durchsuchbares PDF vs. gescanntes PDF: Welche Tools führen wirklich OCR aus?

Ein durchsuchbares und ein gescanntes PDF können optisch nicht voneinander zu unterscheiden und trotzdem funktional das genaue Gegenteil sein. Der Unterschied liegt vollständig darin, ob jemals OCR – optische Zeichenerkennung – auf der Datei gelaufen ist, entweder bei der Erstellung (eine Scan-App, die beim Scannen Text erkennt) oder nachträglich (ein separater OCR-Durchlauf auf einer bestehenden Bilddatei).

Genau hier unterscheiden sich die Tools tatsächlich, und das gehört klar gesagt, nicht als Randnotiz: Hazel 6 führt beim Abgleich selbst automatische Texterkennung auf nicht-OCR-erkannten PDFs aus und kann für ein verschlüsseltes PDF direkt ein Passwort erhalten, um es zu öffnen. File Arbor konnte vor 1.3.0 keines von beidem. Seitdem führt Pro ebenfalls OCR aus, wenn eine Regel so eingestellt ist, dass sie auch gescannte Dokumente liest: Dann liest sie die erste und letzte Seite eines gescannten PDFs oder Fotos (JPEG, PNG, TIFF), in 9 Sprachen, mit etwa einer Sekunde pro Seite. Ein Passwortfeld gibt es weiterhin nicht, ein verschlüsseltes PDF bleibt also unlesbar.

Sind Ihre PDFs regelmäßig verschlüsselt, ist Hazels Passwortoption der praktische Grund, zu Hazel zu greifen statt zu File Arbor – das gilt auf einem Mac selbst für jemanden, der sonst ein plattformübergreifendes Tool bevorzugen würde. Bei Scans führen inzwischen beide OCR innerhalb der Regel aus. File Arbor Pro liest allerdings nur die erste und letzte Seite; steht der gesuchte Text tiefer in einem langen Scan, bringt ein einmaliger, vorab durchgeführter OCR-Lauf auf genau den Dateien, die ihn brauchen, eine File-Arbor-Inhaltsregel dennoch zum selben Ergebnis.

Was tun, wenn keine Textebene vorhanden ist?

Bei diesem 60-Sekunden-Test durchzufallen, bedeutet nicht, dass Inhaltsabgleich für diese Datei ausgeschlossen ist – es bedeutet, dass Sie zwei ehrliche Optionen haben, keine davon lautet „abwarten und hoffen".

OCR darauf ausführen. Seit 1.3.0 kann File Arbor Pro das innerhalb der Regel erledigen: Stellen Sie die Regel so ein, dass sie auch gescannte Dokumente liest, und sie liest die erste und letzte Seite jedes Scans. Dieselbe Regel kann den Scan dann nach einem Datum oder einer Nummer benennen, die sie liest, wie in PDF automatisch nach Inhalt umbenennen gezeigt. Andernfalls kann ein dediziertes OCR-Tool, die mitgelieferte Software Ihres Scanners oder der eingebaute Erkennungsschritt von Adobe Acrobat einem reinen Bild-PDF eine echte Textebene hinzufügen. Ist das erledigt, besteht die Datei denselben Markier-und-Such-Test, und eine Inhaltsregel kann sie wie jedes andere PDF lesen.

Oder auf Inhaltsabgleich für diese Datei verzichten und stattdessen auf etwas anderes matchen. Eine Regel, die auf Dateiname, den Ordner, in dem die Datei gelandet ist, oder ihr Datum matcht, muss kein einziges Zeichen im Inneren der Datei lesen. Schickt ein Kunde gescannte Belege immer als beleg-scan-*.pdf, löst eine namensbasierte Regel das Problem ganz ohne OCR – manchmal ist die ehrliche Lösung eine einfachere Regel, kein größeres Werkzeug.

Andere Formate, die selbst mit Textebene nicht matchen

Eine fehlende Textebene ist nicht der einzige Weg, wie eine Datei still an einem Match vorbeirutscht. In File Arbor erfüllt keines der folgenden eine Inhaltsbedingung, unabhängig davon, was darin steht:

• XLSX-Tabellenkalkulationen. Inhaltsbedingungen lesen keine Tabellenzellen.
• DOCX-Kopf-, Fußzeilen und Fußnoten. Geprüft wird nur der Haupttext eines Word-Dokuments – ein Stichwort, das ausschließlich in einer Fußzeile oder Kopfzeile steht, matcht nicht.
• Verschlüsselte oder passwortgeschützte PDFs. Diese lassen sich ohne Passwort nicht zur Textextraktion öffnen, und File Arbor hat kein Feld, um eines anzugeben.

Nichts davon ist eine Besonderheit von File Arbors Implementierung – es spiegelt wider, was eine Regel-Engine ohne Passwortabfrage oder Tabellenkalkulations-Parser extrahieren kann, kein Fehler, der später noch nachgebessert wird.

Die Grenzen, die selbst bei einem normalen PDF zum stillen Nicht-Match führen

Selbst ein PDF, das den 60-Sekunden-Test mit einer echten Textebene besteht, kann trotzdem nicht matchen, weil die Inhaltsextraktion in File Arbor harte Grenzen hat: 32 MB pro Datei, die ersten 256 KB extrahierten Textes, die ersten 20 Seiten eines PDFs und ein Zeitfenster von 5 Sekunden pro Datei.

Die Seitengrenze ist die, die am häufigsten überrascht. Ein 40-seitiger Vertrag, bei dem das Wort „Kündigung" nur auf Seite 25 steht, matcht keine entsprechende Regel – File Arbor liest nie über Seite 20 hinaus, für die Regel existiert dieses Wort in der Datei also schlicht nicht. Dieselbe Logik gilt für die 256-KB-Textgrenze bei langen, textlastigen Dokumenten: Die Extraktion stoppt dort, selbst wenn die Datei weitergeht. Das sind keine willkürlichen Werte – sie verhindern, dass eine einzelne übergroße Datei die Verarbeitung aller anderen wartenden Dateien in der Warteschlange ausbremst.

Welche Lösung sollten Sie nutzen?

„Die Datei lässt sich weder markieren noch durchsuchen." Es ist ein Scan oder ein Foto ohne Textebene. Stellen Sie in File Arbor Pro die Regel so ein, dass sie auch gescannte Dokumente liest (seit 1.3.0); andernfalls lassen Sie sie zuerst durch eine OCR-Software laufen, oder leiten Sie sie stattdessen nach Name, Ordner oder Datum weiter.

„Der Text markiert sich problemlos, aber die Regel matcht trotzdem nicht." Prüfen Sie, ob der gesuchte Satz hinter Seite 20 liegt, die Datei über 32 MB groß ist oder der Treffer erst nach den ersten 256 KB extrahierten Textes kommt – jede dieser Grenzen erzeugt einen stillen Nicht-Match bei einem sonst normalen PDF.

„Das PDF ist passwortgeschützt." Weder File Arbor noch eine einfache Inhaltsregel können es ohne Passwort öffnen. Auf einem Mac kann Hazel das Passwort direkt in der Regel erhalten. Andernfalls entfernen Sie das Passwort vor der Automatisierung, sofern Sie dazu in der Lage sind.

„Es ist eine Tabellenkalkulation, oder der Treffer steckt in der Kopf- oder Fußzeile eines Word-Dokuments." Inhaltsbedingungen lesen den Haupttext einer DOCX-Datei und die Textebene eines PDFs – keine Tabellenzellen, keine Kopf-, Fußzeilen oder Fußnoten. Matchen Sie stattdessen auf Dateiname oder Ordner.

„Ich habe Hunderte gescannte Dateien und keine Zeit, sie einzeln zu reparieren." Lassen Sie die Regel selbst OCR ausführen: File Arbor Pro tut das seit 1.3.0, unter Windows und Mac, und Hazel 6 auf einem Mac. Bei jedem anderen Tool lassen Sie sie zuerst per Batch-OCR laufen und richten Ihre Regel dann auf die OCR-Ausgabe.

FAQ

Was bedeutet es, wenn ein PDF keine Textebene hat?

Es bedeutet, dass die Wörter auf der Seite nie als Text kodiert wurden, sondern nur als Bild von ihnen vorliegen. Ein PDF aus einem Scan oder einem Handyfoto speichert Pixel, keine Zeichen – nichts kann seinen Text also markieren, durchsuchen oder abgleichen, bis OCR ihn erkennt. Die Seite kann optisch identisch mit einem normalen PDF aussehen und darunter trotzdem null lesbaren Text enthalten.

Warum findet meine Regel keinen Text in einem PDF?

Meist, weil das PDF keine Textebene hat – es ist ein Scan oder ein Handyfoto ohne lesbare Zeichen. Es kann auch bei einem normalen PDF passieren, wenn der Treffer außerhalb der Grenzen eines Tools liegt, das PDF verschlüsselt ist oder die Datei ein Format ist, dessen Inhalt das Tool gar nicht liest, etwa eine Tabellenkalkulation oder die Kopfzeile eines Word-Dokuments.

Was ist der Unterschied zwischen einem durchsuchbaren und einem gescannten PDF?

Ein durchsuchbares PDF hat eine zugrunde liegende Textebene, entstanden beim Export aus einer Textverarbeitung oder durch OCR – seine Wörter lassen sich markieren, durchsuchen und von Software abgleichen. Ein gescanntes PDF ist ein Bild einer Seite, meist von einem Scanner oder einer Handykamera, ohne Textebene – seine Wörter sind für Software erst lesbar, wenn OCR sie erkennt.

Wie prüfe ich, ob ein PDF eine Textebene hat, bevor ich eine Regel baue?

Öffnen Sie das PDF und versuchen Sie, eine Textzeile zu markieren, oder suchen Sie nach einem Wort, das Sie auf der Seite sehen. Nutzen Sie auf dem Mac die Markierfunktion der Vorschau oder Cmd+F, unter Windows die Suche Ihres PDF-Readers oder Klicken-und-Ziehen zum Markieren. Lässt sich nichts markieren und findet die Suche nichts, hat die Datei keine Textebene.

Liest File Arbor gescannte PDFs so wie Hazel?

Ja, seit 1.3.0, mit zwei Unterschieden. File Arbor Pro führt OCR auf gescannten PDFs und Fotos aus, wenn eine Regel so eingestellt ist, dass sie auch gescannte Dokumente liest, liest aber nur die erste und letzte Seite. Und anders als Hazel 6 kann es kein passwortgeschütztes PDF öffnen, ein verschlüsseltes PDF muss also weiterhin zuerst entsperrt werden, bevor eine File-Arbor-Inhaltsregel es erfassen kann.

Matcht eine Inhaltsregel Text auf Seite 40 eines PDFs?

Nein. File Arbor liest nur die ersten 20 Seiten eines PDFs, dazu die ersten 256 KB extrahierten Textes, Dateien bis 32 MB und ein Zeitfenster von 5 Sekunden pro Datei. Ein Stichwort, das nur auf Seite 40 eines längeren Dokuments vorkommt, wird nicht matchen, selbst wenn das PDF eine ganz normale Textebene hat.

Das Fazit

Ein PDF ohne Textebene ist keine falsch gebaute Regel – es ist eine Datei ohne lesbaren Inhalt, und der 60-Sekunden-Markier-und-Such-Test zeigt Ihnen, welche Art von Datei vor Ihnen liegt, bevor Sie Zeit in eine Regel investieren. Lassen Sie die Dateien, die es brauchen, per OCR laufen – seit 1.3.0 kann eine File-Arbor-Pro-Regel das selbst –, oder leiten Sie sie nach Name, Ordner oder Datum weiter. Für alles andere prüfen Sie Format und Grenzen: kein XLSX, keine DOCX-Kopf- oder Fußzeilen, keine verschlüsselten PDFs, und nichts jenseits von 20 Seiten, 256 KB oder 32 MB.

Das ist dieselbe ehrliche Grenze, die auch unser Leitfaden zum Sortieren von Dateien nach Inhalt beschreibt – Inhaltsregeln leiten Dateien anhand dessen weiter, was tatsächlich lesbar ist, und nichts wird erschlossen. Bestehen Ihre Dateien den Test, laden Sie File Arbor herunter und bauen Sie die Regel; bestehen sie ihn nicht, stellen Sie die Regel so ein, dass sie auch gescannte Dokumente liest (Pro), oder reparieren Sie zuerst die Datei.