Vergleichsstudie zu "PDF-zu-KI-Format"-Konvertern

Einleitung

Die digitale Aufbereitung von PDF-Dokumenten spielt in vielen verlegerischen, wissenschaftlichen und technischen Arbeitsprozessen eine zentrale Rolle. Inhalte aus PDFs werden heute nicht mehr nur gelesen oder archiviert, sondern zunehmend in strukturierte Zielformate wie Markdown oder XML überführt. Dadurch sollen die Inhalte weiterverarbeitet, analysiert, durchsucht und in KI-gestützten Systemen nutzbar gemacht werden. Besonders relevant ist dies für Anwendungen wie automatisches Chunking, Retrieval, Wissensextraktion und Retrieval-Augmented Generation (RAG).

Gerade für RAG-Systeme ist die Qualität der zugrunde liegenden Daten essenziell. Ein RAG-System kann nur dann präzise und nachvollziehbare Antworten liefern, wenn die Dokumente, auf denen es basiert, vollständig und korrekt aufbereitet sind. Die Qualität der Antwort hängt also nicht nur vom verwendeten Sprachmodell ab, sondern bereits von der Qualität der Datenbasis. Wenn Inhalte bei der Konvertierung verloren gehen, Tabellen falsch aufgelöst werden, Überschriftenhierarchien nicht stimmen oder Fußnoten und Verweise ihren Bezug verlieren, gelangen diese Fehler in die Wissensbasis des Systems. Das Retrieval kann dann nicht zuverlässig die passenden Textstellen finden und das Sprachmodell erhält unvollständige oder falsch strukturierte Informationen als Kontext.

PDF-Dokumente stellen für solche Workflows eine besondere Herausforderung dar. Ein PDF bildet Inhalte in erster Linie als visuell gestaltete Seite ab. Für Menschen sind Überschriften, Absätze, Tabellen, Fußnoten, Listen, Bilder, mehrspaltige Layouts oder Literaturverweise meist eindeutig erkennbar. Für technische Systeme müssen diese Strukturen jedoch erst rekonstruiert werden. Dabei kann es passieren, dass ein Tool zwar den sichtbaren Text erkennt, aber die logische Dokumentstruktur nicht erhält. Für einfache Textextraktion mag das teilweise ausreichend sein. Für RAG-Systeme, XML-Workflows oder strukturierte Publikationsprozesse ist es jedoch problematisch, weil dort nicht nur der Text, sondern auch seine Funktion im Dokument benötigt wird.

Besonders deutlich wird dies beim Chunking. RAG-Systeme zerlegen Dokumente in kleinere Einheiten, die später durchsucht und als Kontext für Antworten verwendet werden. Damit diese Chunks sinnvoll sind, müssen sie entlang der ursprünglichen Dokumentlogik gebildet werden. Überschriften, Absätze, Tabellen, Listen, Fußnoten und Verweise dienen dabei als wichtige Orientierungspunkte. Wenn diese Strukturen bei der Konvertierung verloren gehen, entstehen Chunks, die thematisch unscharf, unvollständig oder aus dem Zusammenhang gerissen sind. Dadurch kann das System zwar Textstellen abrufen, aber nicht unbedingt die richtigen Informationen im passenden Kontext bereitstellen.

Vor diesem Hintergrund untersucht diese Vergleichsstudie verschiedene Werkzeuge zur Konvertierung von PDF-Dokumenten in strukturierte Formate. Betrachtet werden sowohl klassische Toolchains als auch OCR-basierte und KI-gestützte Systeme. Grundlage ist ein speziell erstelltes PDF-Testdokument, das typische Strukturelemente wissenschaftlicher, technischer, juristischer und verlegerischer Dokumente enthält. Dazu gehören unter anderem Überschriftenhierarchien, Textauszeichnungen, Tabellen, Listen, Fußnoten, Literaturverweise, Bilder, Mehrsprachigkeit, mathematische Inhalte, Textboxen, Literaturverzeichnis und Index. Ziel dieser Untersuchung ist, zu prüfen, wie die getesteten Konvertierungsstrecken im vorgegebenen Testszenario abschneiden und die Stärken und Schwächen der einzelnen Ansätze sichtbar zu machen.

Um eine regelbasierte und nachvollziehbare Bewertung zu ermöglichen, wurde ein Punktesystem mit dynamischer Gewichtung entwickelt. Dadurch lassen sich die Ergebnisse nicht nur als Gesamtleistung vergleichen, sondern auch an konkrete Anwendungsfälle anpassen. Denn je nach Publikationstyp und späterem Workflow können unterschiedliche Anforderungen im Vordergrund stehen. In wissenschaftlichen Fachpublikationen sind beispielsweise Formeln, Tabellen, Literaturverweise und Fußnoten besonders wichtig, während bei anderen Publikationsformen eher Fließtext, Kapitelstruktur, typografische Auszeichnungen oder eine stabile Lesereihenfolge entscheidend sind.

Die Studie verfolgt daher nicht nur das Ziel, ein Ranking für das dokumentierte Testszenario zu erstellen. Sie soll auch zeigen, welche Konvertierungswerkzeuge für welche Anforderungen geeignet sind und welche Datenqualität die untersuchten Konfigurationen für strukturierte Weiterverarbeitung und RAG-Systeme bereitstellen können. Denn nur wenn die Ausgangsdaten vollständig, sauber strukturiert und semantisch korrekt aufbereitet sind, können KI-Systeme darauf aufbauend zuverlässige, überprüfbare und kontextbezogene Antworten liefern.