Gescanntes PDF in Text umwandeln (OCR)
Ein digitalisiertes Formular, ein fotokopierter Vertrag, eine Archivkopie: Ein aus einem Scanner oder Kopierer stammendes PDF enthält meist nur Seitenbilder, ohne dass in der Datei tatsächlich Text vorhanden wäre – es ist unmöglich, ein Wort zu suchen, einen Auszug zu kopieren oder es von einem Screenreader vorlesen zu lassen. Dieses Tool wandelt diese Art von PDF in reinen Text, ein Word-Dokument oder ein durchsuchbares PDF um, das das Aussehen des Scans bewahrt und dabei indexierbar wird.
Zuerst eine Prüfung, die unnötige Verarbeitung vermeidet
Bevor irgendetwas gestartet wird, öffnet das Tool das PDF und prüft, ob es bereits extrahierbaren Text enthält: Das ist der Fall bei einem PDF, das direkt aus einer Office-Software exportiert oder zuvor von einem anderen OCR-Tool verarbeitet wurde. Wird Text gefunden, wird er direkt aus der Datei extrahiert, ohne Bilderkennung – schneller und vor allem zuverlässiger als eine Erkennung, die ein Bild von bereits unverändert in der Datei vorhandenem Text neu interpretieren würde. Eine Meldung informiert Sie, wenn diese Abkürzung genommen wurde. Nur wenn kein Text gefunden wird – der Fall eines echten Scans, Bild für Bild –, kommt die optische Zeichenerkennung ins Spiel.
Seite für Seite, mit echtem Fortschritt
Jede Seite eines gescannten PDFs wird zunächst in hoher Auflösung rasterisiert (300 Punkte pro Zoll, der Maßstab für eine zuverlässige Erkennung) und dann einzeln verarbeitet: Erkennung einer möglichen Drehung um 90, 180 oder 270 Grad (häufig bei einem Stapel in unterschiedlicher Richtung gescannter Seiten), feines Geraderichten der Neigung, Entrauschen, Binarisierung und schließlich die Zeichenerkennung in der oder den von Ihnen gewählten Sprachen. Der Fortschrittsbalken rückt tatsächlich Seite für Seite vor, nicht willkürlich: Bei einem Dokument mit mehreren Dutzend Seiten wissen Sie jederzeit, wo die Verarbeitung steht.
Drei Ausgaben, ein Inhalt
Der reine Text fasst den Inhalt aller Seiten der Reihe nach zusammen, bereit zum Kopieren. Das Word-Dokument fügt zwischen jeder Quellseite einen Seitenumbruch und pro erkanntem Textblock einen Absatz ein, um nah an der ursprünglichen Struktur zu bleiben und dabei bearbeitbar zu sein. Das durchsuchbare PDF verwendet das Bild jeder Seite so, wie es gesendet wurde – Stempel, Unterschriften und Kopfzeilen eingeschlossen – und legt eine unsichtbare Textebene darüber: Das Dokument sieht genauso aus wie zuvor, wird aber in jedem modernen PDF-Reader durchsuchbar und kopierbar.
Zur Grenze von 20 Seiten
Die Grenze von 20 Seiten pro Verarbeitung ist nicht willkürlich: Sie hält die Verarbeitungszeit mit einer interaktiven Nutzung vereinbar (einige Dutzend Sekunden statt mehrerer Minuten) auf Servern, die sich alle Besucher der Website teilen. Für ein längeres Dokument bleibt es die einfachste Lösung, es mit dem PDF-Teilen-Tool in mehrere PDFs mit weniger als 20 Seiten aufzuteilen und dann jeden Teil zu verarbeiten.