Türkische Sonderzeichen und Kodierungsfehler

Ein deutscher Lebenslauf enthält fast immer Sonderzeichen: ä, ö, ü und ß stecken in Straßen, Orten, Berufsbezeichnungen und oft im eigenen Namen. Wer türkische Wurzeln hat oder sich in der Türkei bewirbt, schreibt zusätzlich ç, ğ, ı, İ und ş. Auf dem Bildschirm sieht alles richtig aus. Entscheidend ist, ob es nach dem Auslesen durch ein Bewerbermanagementsystem (ATS) noch dieselben Buchstaben sind. Meistens ja. Wenn nicht, kommen Name, Überschriften und Kenntnisse als andere Wörter an, als Sie geschrieben haben.

So sieht der Schaden aus

Drei Muster kommen häufig vor. Links steht, was Sie geschrieben haben, rechts, was im ausgelesenen Text steht.

München, Straße     ->  München, Straße
İş Deneyimi         ->  Ä°ÅŸ Deneyimi

Das ist Mojibake, also Zeichensalat: Der Text ist in der Datei korrekt als UTF-8 gespeichert, aber ein Programm in der Kette liest ihn mit einer alten Ein-Byte-Codepage wie Windows-1252. Aus jedem Sonderzeichen werden zwei falsche Zeichen.

Jürgen Weiß         ->  J?rgen Wei?
Gülşen Yıldız       ->  G�l�en Y�ld�z

Hier sind die Buchstaben verloren. Entweder zeichnet das PDF die richtigen Formen, ohne anzugeben, welcher Buchstabe zu welcher Form gehört, oder ein System hat den Text in einen Zeichensatz umgewandelt, der diese Buchstaben nicht kennt. Heraus kommen Fragezeichen, ein Ersatzzeichen (�) oder Platzhalter wie (cid:12).

Müller, Düsseldorf  ->  Muller, Dusseldorf

Das dritte Muster ist leiser: Punkte und Striche verschwinden, weil ein System Texte vereinfacht oder jemand ohne passende Tastatur schreibt. Der Text bleibt lesbar, aber eine Suche nach „Düsseldorf“ findet ihn unter Umständen nicht mehr, und der Name stimmt nicht mehr mit Ausweis oder LinkedIn-Profil überein.

Wird eine Überschrift beschädigt, erkennt der Parser womöglich nicht mehr, wo die Berufserfahrung beginnt, und die Einträge darunter landen im falschen Feld.

Woher das kommt

Ein PDF speichert Anweisungen, Glyphen aus einer Schrift zu zeichnen, und im Idealfall eine ToUnicode-Tabelle, die jede Glyphe einem Zeichen zuordnet. Diese Tabelle braucht der Parser, um die Seite wieder in Text zu verwandeln. Lässt das exportierende Programm sie weg oder schreibt sie fehlerhaft, sieht die Seite tadellos aus, die Textschicht ist aber kaputt. Typische Auslöser sind Zierschriften, Text, der in Designprogrammen in Pfade umgewandelt wurde, und manche Wege über „Als PDF drucken“. Fehlt der Schrift die Glyphe für ş oder ğ ganz, ersetzt das Textprogramm diese Buchstaben durch eine andere Schrift oder zeigt ein leeres Kästchen (□).

Mojibake hat eine andere Ursache: Die Datei ist intakt, doch ein Programm weiter hinten in der Kette dekodiert UTF-8 als Ein-Byte-Kodierung. Das trifft Umlaute und türkische Buchstaben gleichermaßen. Ein verwandter Fehler trifft Türkisch härter: Wandelt ein System Text in Latin-1 (ISO-8859-1) um, bleiben ä, ö, ü und ß erhalten, weil Latin-1 sie enthält. ş, ğ, ı und İ brauchen Latin-5 (ISO-8859-9) oder Unicode und werden zu Fragezeichen.

Der Zwei-Minuten-Check

1. Öffnen Sie das PDF, das Sie verschicken wollen, markieren Sie alles, kopieren Sie den Text und fügen Sie ihn in einen einfachen Texteditor ein.
2. Lesen Sie Namen, Überschriften, Wohnort und einige Kenntnisse Buchstabe für Buchstabe.
3. Suchen Sie im eingefügten Text nach den Zeichenfolgen unten, nach dem Ersatzzeichen � und nach „(cid:“. Jeder Treffer bedeutet eine beschädigte Textschicht.
4. Suchen Sie im PDF-Viewer nach einem Wort mit Sonderzeichen, etwa Ihrem Nachnamen. Findet der Viewer ein Wort nicht, das Sie auf der Seite sehen, passt der Text dahinter nicht.

ä -> ä    ö -> ö    ü -> ü    ß -> ß
ç -> ç    ğ -> ÄŸ    ı -> ı    İ -> Ä°    ş -> ÅŸ

Das ist der Copy-Paste-Test aus Teil 1 zur ATS-Textextraktion, zugespitzt auf die Zeichen, die am leichtesten kaputtgehen.

So exportieren Sie eine Datei, die ihre Zeichen behält

• Verwenden Sie eine verbreitete Schrift mit vollständigem Zeichensatz, etwa Arial oder Calibri, statt einer Zierschrift.
• Exportieren Sie direkt aus Word, LibreOffice oder Google Docs. Besteht das Ergebnis den Check oben nicht, probieren Sie einen anderen Weg, etwa ein anderes Programm oder Export statt Drucken, und testen Sie erneut.
• Wandeln Sie Text in Designprogrammen nicht in Pfade oder Bilder um.
• Behalten Sie die echte Schreibweise. „Mueller“ oder „Strasse“ umgeht das Kodierungsproblem, ändert aber Ihre Wörter: Der Name passt nicht mehr zu Ihren Dokumenten, und ein Schlüsselwort stimmt womöglich nicht mehr mit der Stellenanzeige überein.
• Nimmt das Bewerbungsportal DOCX an, ist das eine Option. DOCX speichert Text als Unicode und braucht keine Zuordnungstabelle für Glyphen. Teil 5 zum Lebenslauf als PDF oder Word vergleicht beide Formate.

Wie die Prüfung das meldet

Verstümmelte Umlaute, ß oder türkische Buchstaben im ausgelesenen Text meldet die Analyse als Lesbarkeits-Befund; was sonst je Sprache geprüft wird, steht unter mehrsprachige Unterstützung. Den in Schritt 1 kopierten Text können Sie auch in den Schnelltest einfügen. Er läuft im Browser ohne Konto und wendet dieselben Lesbarkeitsprüfungen an, einschließlich der für beschädigte Zeichen.