Was eine PDF-nach-Word-Konvertierung wirklich tut – im Schrittprotokoll

Ein PDF in ein bearbeitbares Dokument zu konvertieren wird meist als ein Vorgang beschrieben. Es ist keiner. Ein echter Lauf dieser Seite enthält acht protokollierte Schritte, davon zwei Fehlschläge, von denen sich die Pipeline erholt. Das Protokoll lohnt die Lektüre, weil es Preis und Fehlerverhalten zugleich erklärt.

Das Schrittprotokoll eines erfolgreichen Jobs

inspect_document              pypdf-docx-editable     884 ms
  extract_document_content     pypdf-docx-editable     644 ms
  render_document_page         pypdf-docx-editable     482 ms  error: unsupported_renderer
  convert_to_editable_document compact_spacing         424 ms  error: strategy_requires_optimization
  convert_to_editable_document (retry)                1357 ms
  validate_editable_document                           4289 ms
  optimize_document_candidate  compact_spacing        1040 ms
  validate_editable_document (after optimise)          3875 ms

Zwei dieser Zeilen sind Fehler, und der Job war trotzdem erfolgreich. Das ist die Konstruktion: Ein Fehler in einem Schritt ist Information, die die Schleife nutzt, kein Urteil über das Dokument.

Warum die eigene Ausgabe zurückgerendert wird

Der wichtigste Schritt ist validate_editable_document und der langsamste – hier 4,3 Sekunden. Er rendert das eben erzeugte DOCX zurück in ein Bild und vergleicht es mit der Quellseite. Textabdeckung, fehlende Zahlen, Tabellenstruktur, verbundene Zellen, Rahmen, Text außerhalb der Seitengrenzen.

Das ist der Unterschied zwischen „die Konvertierung lief" und „die Konvertierung lieferte etwas Brauchbares". Eine Pipeline, die nach dem Schreiben der Datei aufhört, weiß nicht, ob die Datei stimmt; eine Prüfung, die nur das DOCX-XML liest, kann bestätigen, dass Absätze existieren, während die gerenderte Seite die Hälfte des Textes verloren hat. Zurückrendern ist der Weg, das herauszufinden.

Der unsupported_renderer-Fehler in Schritt drei ist die ehrliche Version desselben Gedankens: Der versuchte Renderer konnte die Aufgabe nicht erfüllen, also sagt die Pipeline es, statt die Prüfung zu überspringen und zu behaupten, die Ausgabe sei geprüft.

Die Reparaturschleife

Findet die Validierung ein Problem, scheitert die Pipeline nicht sofort. Sie optimiert den Kandidaten – hier eine compact_spacing-Strategie für überlaufenden Inhalt – und validiert erneut. Die zwei Konvertierungen im Protokoll sind dasselbe Dokument mit zwei Strategien, und der erste Versuch wurde vom Optimierungs-Gate ausdrücklich abgelehnt, bevor der zweite lief.

Deshalb dauert ein erfolgreicher Job hier 35 bis 70 Sekunden, ein fehlgeschlagener 12 bis 32. Der Fehlschlag bricht die Schleife ab; der Erfolg läuft sie zu Ende, mit mindestens einem vollständigen neuen Rendering und Vergleich. Den langsamen Weg zu bezahlen ist der Punkt: Der schnelle Weg erzeugt Dokumente, die in Ordnung aussehen und denen eine Spalte fehlt.

Was ein Fehlschlag hier bedeutet

Von den hier verzeichneten Konvertierungen scheiterten sieben, neun waren erfolgreich. Alle sieben tragen denselben Code agent_execution_failed: Die Schleife hat ihre Reparaturversuche erschöpft, ohne Abrechnungs- oder Netzwerkproblem. In jedem Fall wurde keine Datei veröffentlicht und die reservierten Credits freigegeben.

Diese Unterscheidung zählt, wenn Sie über einen neuen Versuch entscheiden. Ein Fehlschlag ist hier eine Aussage über das Dokument – dieser Scan hat die Konvertierung in den verfügbaren Versuchen nicht überstanden – nicht über einen Ausfall. Dieselbe Datei erneut hochzuladen scheitert meist gleich. Ein besserer Scan oder ein digitales PDF statt eines Fotos ändert das Ergebnis.

Wovor auch die Erfolge warnen

Jede erfolgreiche Konvertierung hier trägt die Warnung layout_approximate, und das ist kein entschuldigter Mangel. Eine Seite mit festem Layout in ein fließendes Dokument zu bringen schließt aus, dass Schriften und Abstände dem Original entsprechen – das Original hatte keine umfließbare Struktur zu bewahren. Ein Seitenbild könnte exakt passen, wäre dann aber nicht bearbeitbar, was den Zweck zerstört.

Zu wissen, welches der beiden Sie brauchen, ist der größte Teil der Entscheidung. Muss das Dokument identisch aussehen, brauchen Sie ein PDF, kein Word-Dokument. Muss es bearbeitbar sein, ist annäherndes Layout der Preis, und die nützliche Frage wird, ob Text, Zahlen und Tabellen überlebt haben – genau das misst der Validierungsschritt.