Hochwertiger Konverter: PDF zu JSON

Mach aus einer PDF strukturiertes JSON.

Wer Text aus einer PDF zieht, bekommt Zeilen, kein Dokument. WandPDF baut die Struktur neu auf und schreibt sie als JSON: jede Überschrift, jeder Absatz, jede Liste, Tabelle und Fußnote als eigener Block, in Lesereihenfolge.

Umwandeln in
Getestet an 31 Büchern: 25 wurden mit WandPDF sauber umgewandelt, 2 mit Calibre (der Engine von CloudConvert). Zum Test 

PDF zu JSON, vorher und nachher

Dieselbe Seite. Zwei ganz verschiedene Extraktionen.

Ein typischer Konverter kippt den Seitentext Zeile für Zeile aus. WandPDF schreibt die Struktur.

Formate

PDF in EPUB, Kindle, Markdown, Text, HTML oder JSON umwandeln.

.epub

PDF zu EPUB

Ein EPUB-E-Book für Apple Books, Kobo, Google Play Books und jede Lese-App. Aus den Kapiteln wird ein Inhaltsverzeichnis zum Antippen.

.azw3

PDF zu Kindle (AZW3)

Eine AZW3-Datei für Kindle-Geräte und -Apps. Du änderst die Schriftgröße und der Text fließt mit, statt dass du eine winzige Seite heranzoomst.

.md

PDF zu Markdown

Sauberer Text mit Überschriften, Listen und Tabellen für Notizen, Obsidian, ein Wiki oder als Eingabe für ChatGPT, Claude und andere LLMs.

.txt

PDF zu TXT

Reiner Text mit ganzen Absätzen, ohne Seitenzahlen und zerrissene Zeilen. Gescannte PDFs werden per OCR gelesen.

.html

PDF zu HTML

Eine lesbare Webseite mit echten Überschriften, Tabellen und Fußnoten, Bilder inklusive. Passt sich auf dem Handy an, statt die gedruckte Seite zu kopieren.

.json

PDF zu JSON

Das Dokument als typisierte Blöcke in Lesereihenfolge: Überschriften, Absätze, Listen, Tabellenzellen, Fußnoten. Für RAG, Suche und Skripte.

DemnächstAls Nächstes kommt Word: ein bearbeitbares Dokument, keine Kopie des Seitenlayouts.

So funktioniert's

PDF in JSON umwandeln: so geht's

  1. 1

    PDF ablegen

    Jede PDF: ein Paper, ein Bericht, ein Handbuch, ein Buch oder ein Scan gedruckter Seiten.

  2. 2

    JSON wählen

    Eine .json-Datei: Titel, Inhaltsverzeichnis und eine flache Liste typisierter Blöcke.

  3. 3

    Blöcke nutzen

    Für RAG an Überschriften teilen, Absätze für die Suche indexieren oder Tabellen Zelle für Zelle im Skript lesen.

Unter der Haube

Was eine PDF versteckt und WandPDF behebt.

Getestet an 31 Büchern, auf die der Parser nie abgestimmt wurde.

Sauber heißt: keine groben Fehler wie zerrissene Absätze, verirrte Seitenzahlen, Kolumnentitel oder Textverluste.

WandPDF25 / 31 sauber
Calibre 8.5 (von CloudConvert genutzt)2 / 31 sauber

FAQ

FAQ zu PDF in JSON

Wie sieht das JSON aus?

Ein Objekt mit title, author, lang, pages (Anzahl der Seiten), toc und blocks. Jeder Block hat einen Typ (heading, paragraph, list, table, figure, math, code, footnote, quote oder note), das Kapitel, zu dem er gehört, und seinen Inhalt: text bei den meisten, items bei einer Liste, Zeilen von Zellen bei einer Tabelle, LaTeX bei einer abgesetzten Formel. Dazu kommen die Felder page und bbox, siehe unten.

Taugt es für RAG und LLM-Pipelines?

Genau dafür ist es da. Kolumnentitel, gedruckte Seitenzahlen und Silbentrennung werden aus dem Text entfernt, Absätze sind vollständig und in Lesereihenfolge, und Überschriften sind markiert. So kannst du an echten Abschnitten teilen statt in Fenstern fester Länge. Jeder Block behält außerdem seine PDF-Seite, damit eine Antwort ihre Quelle nennen kann.

Hat jeder Block seine Seite und seinen Begrenzungsrahmen?

Ja. Jeder Block hat ein Feld page, die PDF-Seite, auf der er beginnt (ab 1 gezählt), und ein Feld bbox, seinen Begrenzungsrahmen auf dieser Seite als [x0, top, x1, bottom] in Punkt (1/72 Zoll), gemessen ab der linken oberen Ecke der Seite; y wächst nach unten, wie in pdfplumber. Damit kannst du die Quellseite angeben oder die Stelle in einem PDF-Viewer hervorheben. Das Feld page ist die Position der Seite in der Datei und kann von der aufgedruckten Seitenzahl abweichen. Ein Block, der über einen Seitenumbruch hinweg oder in die nächste Spalte weiterläuft, hat zusätzlich eigene Arrays pages und bboxes, mit einem Eintrag pro Teil.

Wie werden Tabellen geschrieben?

Als Zeilen von Zellen, jede mit ihrem Text und, wo zutreffend, einer Kopfzeilen-Markierung sowie colspan und rowspan. Tabellen mit Linien kommen am zuverlässigsten heraus; manche Tabellen ganz ohne Linien kommen noch als Absätze heraus.

Sind die Bilder im JSON?

Nein. Ein figure-Block enthält den Alternativtext und die Bildunterschrift, nicht das Bild selbst. Wähle EPUB, HTML oder Markdown, um die Bilder zu behalten.

Funktioniert es mit gescannten PDFs?

Ja, auf Englisch, Deutsch, Französisch, Spanisch, Italienisch, Portugiesisch und Russisch. Wenn die Seiten Bilder sind, erkennt WandPDF den Text auf jeder Seite (OCR) und baut daraus das Buch, sodass du die Schriftgröße ändern und darin suchen kannst. Ein langes gescanntes Buch dauert einige Minuten, und die Seite zeigt dir, wie weit es schon ist.

Welche Sprachen werden unterstützt?

Englisch und andere Sprachen mit lateinischer Schrift, dazu Chinesisch und Japanisch. Arabisch, Hebräisch und andere Schriften, die von rechts nach links laufen, sind noch in Arbeit.

Was passiert mit meiner Datei?

Sie wird nur so lange aufbewahrt, bis sie umgewandelt ist und du das Ergebnis heruntergeladen hast, danach wird sie gelöscht.

Deine nächste PDF verdient saubere Daten.

EPUB, Kindle, Markdown, Text, HTML und JSON aus einem einzigen Upload.

PDF umwandeln