Waarom PDF-tekst niet kan worden geselecteerd of gekopieerd: oorzaken en oplossingen
Inhoudsopgave
- Waarom sommige PDF-teksten weigeren mee te werken
- Oorzaak 1: Gescande afbeeldingen zonder OCR-tekstlaag
- Oorzaak 2: Ontbrekende of beschadigde ToUnicode-tabellen (wartaal op klembord)
- Oorzaak 3: PDF-rechtenbeperkingen en beveiligingsvlaggen
- Oorzaak 4: Geconverteerde lettercurven (geometrische contouren)
Inhoudsopgave
- 1. Waarom sommige PDF-teksten weigeren mee te werken
- 2. Oorzaak 1: Gescande afbeeldingen zonder OCR-tekstlaag
- 3. Oorzaak 2: Ontbrekende of beschadigde ToUnicode-tabellen (wartaal op klembord)
- 4. Oorzaak 3: PDF-rechtenbeperkingen en beveiligingsvlaggen
- 5. Oorzaak 4: Geconverteerde lettercurven (geometrische contouren)
1. Waarom sommige PDF-teksten weigeren mee te werken
U opent een PDF-document, probeert een belangrijk citaat, een factuurbedrag of een alinea te selecteren met de muis, maar de cursor verandert niet in een tekstcursor (I-beam). Er gebeurt helemaal niets, of het document selecteert plotseling de hele pagina als één grote blauwe afbeelding. Of erger nog: u kunt de tekst wel selecteren, maar wanneer u deze plakt in Word of Kladblok, verschijnt er onleesbare wartaal zoals €þÿã???.
Dit gedrag is geen willekeurige computerfout, maar het directe gevolg van hoe PDF-bestanden intern zijn opgebouwd. Er zijn vier fundamentele technische oorzaken.
2. Oorzaak 1: Gescande afbeeldingen zonder OCR-tekstlaag
Wanneer een fysiek vel papier door een scanner of multifunctionele printer (MFP) wordt gehaald, maakt het apparaat simpelweg een digitale foto van de pagina. Het resultaat in het PDF-bestand is een platte rasterafbeelding (een /XObject van het subtype /Image).
Voor de PDF-viewer bevat het document geen letters of woorden, maar alleen een verzameling pixels. Pas wanneer er Optical Character Recognition (OCR) software op wordt toegepast, wordt er een onzichtbare, doorzoekbare laag met echte tekstkarakters exact over de gescande letters heen gelegd, waardoor selecteren en kopiëren weer mogelijk wordt.
3. Oorzaak 2: Ontbrekende of beschadigde ToUnicode-tabellen (wartaal op klembord)
Soms kunt u de tekst in een PDF prima selecteren, maar verandert de tekst bij het kopiëren in onleesbare tekens. Dit is het beruchte ToUnicode CMap probleem.
PDF-documenten slaan lettertypen vaak op als ingesloten subsets (embedded subsets), waarbij elke letter een willekeurige interne index (Glyph ID) krijgt. Om het klembord te vertellen welke werkelijke Unicode-letter hoort bij Glyph ID 12, heeft de PDF een /ToUnicode mapping-tabel nodig. Als deze tabel ontbreekt of verkeerd is gegenereerd door een defect exportprogramma, kopieert uw besturingssysteem de verkeerde Unicode-tekens.
4. Oorzaak 3: PDF-rechtenbeperkingen en beveiligingsvlaggen
De officiële PDF-specificatie bevat ingebouwde beveiligingsvlaggen (Security Handlers en User Permissions, zoals 0xFFFFF0C0). De maker van het document kan een eigenaarswachtwoord (Owner Password) instellen en expliciet de vlag "Kopiëren van tekst en afbeeldingen toestaan" uitschakelen.
Veel standaard PDF-lezers (zoals Adobe Acrobat) respecteren deze vlag strikt en blokkeren het contextmenu en sneltoetsen zoals Ctrl+C.
5. Oorzaak 4: Geconverteerde lettercurven (geometrische contouren)
In grafische software zoals Adobe Illustrator, InDesign of Inkscape kiezen ontwerpers er bij het drukklaar maken van bestanden vaak voor om alle teksten om te zetten naar lettercontouren (Create Outlines / Convert to Curves). Hierdoor verandert elke letter letterlijk in een verzameling geometrische Bézier-curven.
Visueel ziet de tekst er vlijmscherp uit op elk zoomniveau, maar semantisch bestaat de tekst niet meer in het bestand: het zijn louter vectorlijnen en vlakken geworden die onmogelijk met een muis geselecteerd kunnen worden.