PDF-Fachwissen auffindbar machen: Indexierung, Text und Begleitseite prüfen

Mit einer konkreten Leseraufgabe beginnen

Ein Whitepaper kann optisch überzeugend aussehen und trotzdem wichtige Informationen verbergen: Der Download führt auf eine Anmeldung, eine eingescannte Tabelle enthält keinen auslesbaren Text, oder die Begleitseite verspricht einen anderen Produktstand. Beginnen Sie deshalb mit einer überprüfbaren Aufgabe, etwa: Eine Interessentin soll die Voraussetzungen des beschriebenen Verfahrens finden, die richtige Ausgabe erkennen und eine Passage samt Quelle weitergeben können.

Google führt PDF ausdrücklich als unterstütztes Dateiformat. Für die Formaterkennung verwendet Google den HTTP-Header Content-Type und kann bei fehlenden oder fehlerhaften Angaben auch andere Erkennungswege nutzen. Die Endung .pdf allein erklärt daher keine erfolgreiche oder gescheiterte Verarbeitung. Die Unterstützung des Formats ist auch keine Zusage, dass eine bestimmte Datei indexiert oder zitiert wird.

Legen Sie für den Audit die tatsächlich ausgelieferte Datei, ihre URL und den Prüfzeitpunkt ab. Ein SHA-256-Prüfwert hilft später festzustellen, ob alle Beteiligten dieselbe Datei untersucht haben. Unser unten beschriebener Test verwendet eigens erstellte Beispieldateien; er untersucht keine Kunden-Whitepaper und misst keine Suchplatzierungen.

Den Dateiabruf einschließlich Header prüfen

Öffnen Sie den Download zunächst ohne angemeldete Sitzung. Prüfen Sie anschließend mit einem HTTP-Werkzeug die komplette Weiterleitungskette und den Inhalt der letzten Antwort. Ein Beispiel für eine eigene freigegebene URL lautet: curl -L --max-time 30 -D header.txt -o whitepaper.pdf 'https://example.org/wissen/whitepaper.pdf'. Der GET-Abruf speichert Header und Antwortdatei getrennt; ersetzen Sie die Beispieldomain durch Ihr Prüfziel.

Für einen erfolgreichen PDF-Download erwarten Sie eine passende Antwort, typischerweise 200 mit Content-Type: application/pdf, und eine tatsächlich lesbare PDF-Datei. Eine HTML-Anmeldung mit Status 200 erfüllt diese Prüfung nicht. Ein 403, 404 oder ablaufender Downloadlink verlangt eine andere Korrektur als ein beschädigter PDF-Export.

Google dokumentiert X-Robots-Tag als HTTP-Kontrolle auch für PDF-Dateien. Ein noindex an der PDF-URL betrifft diese Ressource; die HTML-Begleitseite hat eigene Regeln. Google muss die Ressource abrufen können, um den Header zu lesen. Eine zusätzliche robots.txt-Sperre kann das verhindern. Entfernen Sie Sperren nur, wenn die Veröffentlichung genau dieser Datei beabsichtigt ist.

• Notieren Sie Ausgangs- und Ziel-URL, Weiterleitungen, finalen Status, Content-Type und sämtliche X-Robots-Tag-Angaben.
• Vergleichen Sie die heruntergeladene Datei mit der redaktionell freigegebenen Ausgabe, einschließlich Versionsstand und Seitenzahl.
• Prüfen Sie die Regeln am wirklichen Downloadhost. Eine Freigabe der Marketingdomain sagt noch nichts über einen getrennten Dateihost aus.

Textauslese und OCR am Inhalt beurteilen

Suchen Sie im PDF nach einer markanten Formulierung und kopieren Sie einen vollständigen Abschnitt in einen Texteditor. Ergänzen Sie diesen schnellen Einstieg durch eine Auslese der gesamten Datei, beispielsweise mit pdftotext whitepaper.pdf text.txt. Vergleichen Sie Überschriften, Bedingungen, Zahlen, Einheiten und Fußnoten mit der sichtbaren Ausgabe. Ein nicht leerer Textdump reicht als Erfolgskriterium nicht aus.

Für bildbasierte Scans beschreibt W3C OCR als Weg zu tatsächlichem Text, wenn keine bearbeitbare Quelldatei verfügbar ist. Gibt es das Ursprungsdokument, ist ein erneuter strukturierter Export häufig der bessere Ausgangspunkt. Nach einer OCR-Verarbeitung müssen erkannte Inhalte korrigiert und Struktur sowie Lesereihenfolge zusätzlich geprüft werden; OCR allein erledigt diese Arbeit nicht.

Achten Sie besonders auf bedeutungsverändernde Fehler: ein verlorenes „nicht“, vertauschte Spalten, eine fehlende Dezimalstelle oder die falsche Zuordnung einer Fußnote. Protokollieren Sie Seite, sichtbare Passage, extrahierte Passage und Auswirkung. Wenn ein lokales Werkzeug keinen Text findet, beschreibt das seinen konkreten Abruf- und Verarbeitungsweg. Daraus lässt sich nicht ableiten, welche Bilderkennung ein Such- oder KI-System später einsetzen könnte.

Drei echte Testdateien zeigen die Unterschiede

Am 15. September 2026 haben wir drei eigene Einseiter mit vier nummerierten Schritten einer ausdrücklich fiktiven Redaktion erzeugt. A enthält digitalen Text in der Folge 1–4. B enthält ausschließlich ein Rasterbild derselben Seite. C zeigt die Schritte ebenfalls von 1 bis 4, speichert die vier Absatzblöcke aber absichtlich in umgekehrter Blockreihenfolge im Inhaltsstrom. Die drei mit Poppler bei 144 dpi gerenderten Seiten waren im Pixelvergleich identisch und wurden zusätzlich visuell geprüft.

Die Auslese erfolgte ohne OCR mit pypdf 6.10.0, pdfplumber 0.11.9 und pdftotext aus Poppler 26.05.0. Wir prüften fünf Modi: pypdf plain und layout, pdfplumber im Standardmodus sowie pdftotext im Standard- und raw-Modus. Die folgenden Beobachtungen gelten für diese Dateien und genau diese Werkzeugeinstellungen.

Alle drei PDFs haben einen Dokumenttitel, aber keinen Strukturbaum für Tags. A und C tragen de-DE als Dokumentsprache; bei B fehlt diese Angabe bewusst. Keine dieser Dateien ist damit als barrierefreies Muster freigegeben. Screenreader, Tastaturbedienung und OCR wurden in diesem Test nicht untersucht.

Ein zusätzlicher lokaler HTTP-Test lieferte dieselben Bytes von A einmal mit 200 und application/pdf und einmal zusätzlich mit X-Robots-Tag: noindex. Ein fehlender Pfad lieferte 404. Damit sind die unterschiedlichen Serverantworten belegt; kein Suchdienst wurde zum Abruf veranlasst. Testdateien, Extrakte, Skript, Dateiprüfwerte und genaue Bedingungen finden Sie im Textprotokoll und ZIP unter den Quellen.

• Datei A: Alle fünf Modi lieferten die Schrittmarker in der sichtbaren Reihenfolge 1, 2, 3, 4.
• Datei B: Kein Modus lieferte Textinhalt. pdfplumber erfasste null PDF-Textzeichen und ein Bild; pdftotext gab lediglich ein Seitenwechselzeichen aus.
• Datei C: pypdf plain und pdftotext raw lieferten 4, 3, 2, 1. pypdf layout, pdfplumber und pdftotext im Standardmodus lieferten dagegen 1, 2, 3, 4.

Lesereihenfolge und Dokumentstruktur gesondert prüfen

Die sichtbare Position eines Absatzes, seine Reihenfolge im PDF-Inhaltsstrom und die semantische Reihenfolge sind unterschiedliche Eigenschaften. Ein Textwerkzeug kann anhand der Positionen eine plausible Folge rekonstruieren, während ein anderes die gespeicherte Reihenfolge ausgibt. Bei mehrspaltigen Seiten ist deshalb zu prüfen, ob Erklärung, zugehörige Tabelle und Einschränkung zusammenbleiben.

W3C beschreibt für getaggte PDFs die Tag-Reihenfolge als wesentliche Grundlage der Lesereihenfolge. Kontrollieren Sie die Struktur bereits im Ursprungsdokument und anschließend im exportierten PDF. Lesen Sie das Dokument zusätzlich mit einem Screenreader beziehungsweise einer geeigneten Vorlese- oder Accessibility-Ansicht. Bei Links und Formularfeldern prüfen Sie die Fokusreihenfolge mit der Tastatur gesondert. Ein erfolgreicher Textdump ersetzt diese Prüfungen nicht.

W3C erläutert außerdem Textalternativen für informative Abbildungen über den Alt-Eintrag im PDF-Tag. Beschreiben Sie die Aussage, die eine Grafik vermittelt. Eine technische Zeichnung mit mehreren Voraussetzungen braucht gegebenenfalls eine ausführliche Textfassung. Das bloße Vorhandensein eines Strukturbaums oder eines Alt-Felds beweist noch nicht, dass die Inhalte richtig ausgezeichnet sind.

Titel, Sprache und Versionsstand verständlich halten

Prüfen Sie den Dokumenttitel in den PDF-Eigenschaften und die Anzeigeeinstellung dafür. W3C nennt hierfür den Title-Eintrag und DisplayDocTitle; ein Dateiname wie export_final_7.pdf ist kein hilfreicher Dokumenttitel. Die Standardsprache wird über den Lang-Eintrag im Dokumentkatalog beschrieben. Eine korrekt gesetzte Sprache unterstützt beispielsweise die passende Aussprache durch assistive Technik.

Gleichen Sie sichtbaren Titel, Metadaten, Herausgeber und fachlichen Versionsstand mit der Begleitseite ab. Ein neues technisches Erstellungsdatum nach einer Dateikonvertierung macht den Inhalt nicht fachlich aktueller. Geben Sie eine überprüfbare Ausgabe oder ein Inhaltsdatum an und benennen Sie die zuständige Redaktion. Ein sauberer Titel repariert weder fehlenden Text noch falsche Aussagen.

Eine HTML-Begleitseite mit eigener Aufgabe schreiben

Eine Begleitseite ist unsere redaktionelle Empfehlung für einen verständlichen Einstieg, keine allgemeine technische Voraussetzung für die PDF-Indexierung. Sie erklärt Zielgruppe, behandelte Frage, wesentliche Erkenntnisse und Grenzen, bevor jemand die Datei öffnen muss. Google empfiehlt normale Links mit einem href-Ziel und beschreibenden Linktext. Verlinken Sie deshalb die echte Downloadadresse und testen Sie, dass sie ohne eine ausschließlich skriptgesteuerte Schaltfläche erreichbar ist.

Ein fiktives Beispiel: Die Seite heißt „Whitepaper: Prüfschritte für öffentliche Fachinformationen“. Sie erläutert, dass das Dokument eine redaktionelle Arbeitsanleitung enthält und keine gemessenen Sichtbarkeitseffekte. Darunter stehen Ausgabe September 2026, Herausgeber, Inhaltsübersicht und ein Link „Whitepaper als PDF herunterladen“. Ergänzen Sie Dateigröße und Seitenzahl aus der tatsächlichen Datei. Eine zugängliche HTML-Langfassung kann die vollständige Anleitung zusätzlich verfügbar machen.

Verlinken Sie den Einstieg aus dem passenden Themenbereich und führen Sie aus dem PDF zur dauerhaft gepflegten Begleitseite zurück. Bei einer neuen Ausgabe ändern Sie Downloadziel, Inhaltsangaben und relevante interne Verweise gemeinsam. Kennzeichnen Sie ältere Ausgaben als historisch, wenn sie weiter gebraucht werden. Entscheiden Sie bei inhaltlich gleichen HTML- und PDF-Fassungen gesondert über die bevorzugte Such-URL; eine Begleitseite mit kurzer Zusammenfassung ist nicht automatisch ein vollständiges Duplikat.

Aus dem Audit nachvollziehbare Korrekturen machen

Ein brauchbarer Fehlerbericht verbindet Beobachtung und Nachprüfung. Schreiben Sie etwa: „Seite 3: Die Bedingung unter der Tabelle fehlt in der Textauslese. Layout-Export prüfen und dieselbe Passage nach erneutem Export in Text- und Vorleseansicht kontrollieren.“ Ordnen Sie die Aufgabe der Person zu, die Quelldokument, Website oder Hosting tatsächlich ändern kann.

Prüfen Sie nach der Korrektur erneut die ausgelieferte Datei, nicht nur eine lokale Arbeitskopie. Dokumentieren Sie Werkzeug, Modus, Datum, Dateiprüfwert und offene Grenzen. Für eine Aussage über tatsächliche Suchindexierung benötigen Sie zusätzliche Suchmaschinenbelege. Für eine Aussage über vollständige Barrierefreiheit ist eine entsprechend umfassende Prüfung nötig. Unser technischer Audit schließt diese beiden Nachweise nicht ein.

• Falsches Downloadziel oder unerwartete Sperre: Hosting und Verlinkung korrigieren, anschließend denselben öffentlichen Abruf wiederholen.
• Fehlender oder fehlerhafter Text: Quellformat beziehungsweise OCR korrigieren und die kritischen Passagen erneut vergleichen.
• Unklare Reihenfolge oder Struktur: Export und Tags überarbeiten; anschließend Lesen und Tastaturnavigation prüfen.
• Widersprüchliche Versionen: PDF, Metadaten, HTML-Einstieg und Verweise gemeinsam auf den freigegebenen Stand bringen.