Praxisprojekt Second Brain · Import
PDFs, Papers und Bücher
Lernziele
- Du extrahierst Text aus einem PDF und prüfst die Qualität mit einem Absatz aus der Mitte, bevor der Agent ihn einarbeitet.
- Du machst einen Scan mit OCR · engl. optical character recognitionTexterkennung in Bildern. Bei einem gescannten PDF erzeugt OCR eine unsichtbare Textebene, die Programme durchsuchen und auslesen können.Im Glossar lesbar und behandelst Zahlen daraus als ungeprüft.
- Du gibst dem Ingest · engl. ingestDer Arbeitsschritt, in dem der Agent eine neue Quelle aus raw/ liest, daraus Wiki-Seiten schreibt oder ergänzt, sie verlinkt und den Lauf in index.md und log.md festhält.Im Glossar für Papers eine Anweisung, die jedes Ergebnis mit seiner Bedingung festhält, und arbeitest von Büchern nur Markierungen ein.
PDFs kommen von allen Formaten am ehesten als Datenmüll im Vault an. Zwei Spalten werden zu verschränkten Zeilen, Tabellen fallen in sich zusammen, Fußnoten landen mitten im Satz. Der Agent baut dann still seine Seiten auf diesem Durcheinander auf.
Prüf deshalb die Extraktion, bevor du einarbeitest. Das dauert zehn Sekunden und erspart dir, später Seiten neu zu schreiben.
Extraktion
Für reinen Text reicht pdftotext aus dem Paket Poppler. Die Option -layout erhält das Seitenbild so gut wie möglich:
pdftotext -layout paper.pdf raw/paper.txtDie Ausgabe ist reiner Text ohne Markdown, deshalb endet die Datei auf .txt. Den Namen darfst du frei wählen.
Für alles mit Struktur bietet die Python-Bibliothek PyMuPDF mehr Kontrolle. Sie liest Text, Bilder und Tabellen getrennt aus: page.get_text(), page.get_images() und page.find_tables(). Willst du gleich Markdown, nimm pymupdf4llm:
# pip install pymupdf4llm
import pymupdf4llm
md = pymupdf4llm.to_markdown("paper.pdf")
open("raw/paper.md", "w", encoding="utf-8").write(md)PyMuPDF steht unter der AGPL-3.0 oder einer kommerziellen Lizenz. Für den eigenen Vault spielt das keine Rolle, für ein Produkt schon.
Womit du auch extrahierst: Öffne die Ausgabe und lies einen Absatz aus der Mitte. Fließen die Sätze nicht, behebst du die Extraktion. Darauf zu hoffen, dass der Agent damit klarkommt, führt zu schiefen Seiten.
Gescannte Dokumente
Ein Scan ist ein Bild. Textextraktion liefert dann nichts oder fast nichts. Lass zuerst OCR laufen, mit ocrmypdf. Das Werkzeug legt eine unsichtbare Textebene über die Seiten und lässt das sichtbare Dokument, wie es ist:
ocrmypdf -l deu+eng --output-type pdf scan.pdf scan-ocr.pdf-l deu+eng erkennt Deutsch und Englisch, die Sprachpakete von Tesseract müssen dafür installiert sein. Ohne --output-type pdf schreibt ocrmypdf ein PDF/A. Enthält die Datei schon Text, bricht es mit einer Meldung ab; --mode skip überspringt solche Seiten.
Rechne mit Fehlern bei Eigennamen und Zahlen. Jede Zahl aus einer OCR-Quelle muss geprüft werden, bevor sie als Tatsache auf einer Wiki-Seite steht.
- Text-PDF oder Scan? Markier im PDF-Viewer ein Wort. Lässt es sich nicht markieren, ist es ein Scan.
- Scan zuerst durch OCR.
ocrmypdf -l deu+eng --output-type pdf scan.pdf scan-ocr.pdf - Extrahieren.
pdftotext -layoutfür Fließtext,pymupdf4llmfür Struktur und Tabellen. - Absatz aus der Mitte lesen. Fließen die Sätze, geht die Datei an den Ingest. Sonst zurück zu Schritt 3 mit dem anderen Werkzeug.
Der Befehl /ingest-pdf gibt dem Agenten dieselbe Reihenfolge vor: extrahieren, Qualität prüfen, bei Scans erst OCR, wichtige Abbildungen nach raw/assets/.
Papers
Papers verdienen eine andere Behandlung als Artikel. Die Teile, die du später brauchst, sind ungleich verteilt: Abstract, Methode, Ergebnisse und Grenzen tragen fast alles.
Eine hilfreiche Anweisung für den Ingest:
Das ist ein wissenschaftliches Paper. Bau die Quellenseite um diese Punkte:
die Frage, die es stellt, die Methode, das Ergebnis mit den tatsächlichen
Zahlen und die Grenzen, die die Autorinnen und Autoren selbst nennen. Halte
die Stichprobengröße fest. Gib keinen Befund ohne die Bedingung wieder,
unter der er gilt.Die letzte Regel hält ein Wiki ehrlich. Befunde ohne ihre Bedingungen werden zwei Jahre später zu selbstbewusstem Unsinn. Der Befehl /ingest-paper enthält dieselbe Anweisung.
Liest du regelmäßig Papers, lohnt sich Zotero. Es verwaltet die Metadaten, und eine Notiz exportierst du ohne Zusatz-Plugin per Rechtsklick über Export Note… als Markdown nach raw/. Aktuell ist Zotero 10 (Stand: Nov. 2026).
Bücher
Ein ganzes Buch ist zu groß für eine Quelle. Was sich lohnt, sind deine Markierungen.
Kindle-Markierungen kommen über Readwise in den Vault. Readwise synchronisiert sie mit dem Plugin Readwise Official direkt in Obsidian. Ein zweiter Weg ist der Export aus der Kindle-App. Markierungen kommen als Liste zitierter Passagen an. Arbeite sie als eine Quellenseite pro Buch ein und lass den Agenten Konzeptseiten aus den Ideen bauen. Die Zitate selbst bleiben auf der Quellenseite. Dafür gibt es den Befehl /ingest-highlights.
Halte Zitate im Wiki kurz und behalte die Quellenangabe. Eine Seite, die ein halbes Kapitel wiedergibt, ist ein Urheberrechtsproblem und ein Problem beim Wiederfinden zugleich.
Abbildungen und Tabellen
Textextraktion lässt beides fallen. Trägt eine Abbildung das Argument, leg einen Screenshot in raw/assets/ und verweise von der Quellenseite darauf. Dann steht hinter der Aussage auf der Seite etwas, das du ansehen kannst.
Welcher Weg passt?
Ordne jede Datei dem ersten Schritt zu, den sie braucht.
Noch offen (5)
- Ein Essay als PDF, eine Spalte Fließtext
- Ein zweispaltiges Paper mit drei Ergebnistabellen
- Ein eingescannter Vertrag aus dem Archiv
- Ein Sachbuch, das du auf dem Kindle gelesen und markiert hast
- Ein Fax von 1998 als PDF
pdftotext -layout (0)
pymupdf4llm (0)
Erst ocrmypdf (0)
Markierungen über Readwise (0)
Merksätze
- Vor jedem Ingest liest du einen Absatz aus der Mitte der Extraktion.
- pdftotext liefert reinen Text, pymupdf4llm Markdown mit Tabellen, ocrmypdf macht Scans erst lesbar.
- Zahlen aus OCR-Quellen gelten als ungeprüft, bis du sie am Original kontrolliert hast.
- Papers werden mit Frage, Methode, Zahlen, Grenzen und Stichprobe eingearbeitet, jeder Befund mit Bedingung.
- Von Büchern kommen deine Markierungen in den Vault, kurz zitiert und mit Quelle.
Prüf dich selbst
Denkfrage
Warum soll ein Befund aus einem Paper nie ohne seine Bedingung im Wiki stehen?
Ein Ergebnis gilt meist nur unter bestimmten Umständen: für eine Gruppe, eine Dosis, einen Versuchsaufbau. Fällt die Bedingung weg, liest du zwei Jahre später eine allgemeine Aussage, die das Paper nie gemacht hat. Stichprobengröße und Bedingung halten die Seite ehrlich.
Denkfrage
Du hast ein Buch mit 120 Markierungen gelesen. Wie kommt es in den Vault?
Als eine Quellenseite mit den Markierungen, kurz zitiert und mit Quelle. Aus den Ideen darin baut der Agent Konzeptseiten oder ergänzt bestehende. Das Buch selbst oder lange Passagen übernimmst du nicht.
Prüf dich selbst
Erstes PDF sauber im Vault
0 von 5 erledigt
Quellen
- pdftotext(1)
- PyMuPDF: Page
get_text, get_images, find_tables.
- pymupdf4llm
- OCRmyPDF Cookbook
Sprachen, PDF/A, --mode skip.
- Readwise: Export to Obsidian
- Zotero Changelog