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.

Häufig gestellte Fragen

Woran erkenne ich, ob mein PDF bereits durchsuchbar ist?
Öffnen Sie es in einem PDF-Reader und versuchen Sie, mit der Maus Text zu markieren: Wird ein Wort hervorgehoben, enthält das PDF bereits eine Textebene, und die OCR würde nichts bringen. Dieses Tool führt die Prüfung automatisch für Sie durch: Wird Text erkannt, extrahiert es ihn direkt, ohne Bilderkennung, was schneller und zuverlässiger ist.
Wie viele Seiten kann ich auf einmal verarbeiten?
Höchstens 20 Seiten pro PDF. Diese Grenze besteht, um die Verarbeitungszeit auf dem Server vertretbar zu halten; teilen Sie ein längeres Dokument zuvor mit dem PDF-Teilen-Tool.
Wie lange dauert die Verarbeitung eines mehrseitigen PDFs?
Jede Seite wird nacheinander verarbeitet (Rasterisierung, Geraderichten, Erkennung), mit einer in Echtzeit angezeigten Fortschrittsanzeige. Ein gescanntes PDF mit 10 Seiten von ordentlicher Qualität wird typischerweise in unter einer Minute verarbeitet.
Behält das Ergebnis das Layout des ursprünglichen PDFs bei?
Das durchsuchbare PDF bewahrt genau das optische Erscheinungsbild des ursprünglichen Scans, Seite für Seite. Der reine Text und das Word-Dokument geben dagegen nur den Textinhalt in seiner Lesereihenfolge wieder, ohne komplexe Layouts (mehrere Spalten, Tabellen, Kästen).
Mein gescanntes PDF enthält um 90° gedrehte Seiten, ist das ein Problem?
Nein, das Tool erkennt und korrigiert automatisch eine auf dem Kopf stehende oder um eine Vierteldrehung gedrehte Seite, Seite für Seite – ein häufiger Fall bei einem Scanner, der Vorder- und Rückseite eines Hefts unterschiedslos digitalisiert.
Kann ich ein passwortgeschütztes PDF per OCR verarbeiten?
Nein: Entfernen Sie zuerst das Passwort mit dem PDF-Schutz-Tool (Funktion „bekanntes Passwort entfernen“), das erfordert, dass Sie es kennen: Dieses Tool versucht nie, einen Schutz zu umgehen.
Was bedeutet der für jede Seite angezeigte Konfidenzwert?
Es ist das durchschnittliche Vertrauen der Erkennungs-Engine in die auf dieser Seite erkannten Wörter, von 0 bis 100 %. Unter 60 % sollte die Seite manuell geprüft werden: Der erkannte Text kann Fehler enthalten, insbesondere bei einem Scan von schlechter Qualität oder einem alten Dokument.
Wird die hochgeladene PDF-Datei aufbewahrt?
Nein: Weder das hochgeladene PDF noch die erzeugten Dokumente werden länger als 30 Minuten aufbewahrt; es werden keine Daten protokolliert oder wiederverwendet, und Sie können die sofortige Löschung auslösen, sobald Sie Ihr Ergebnis abgeholt haben.