Kostenlose OCR: Text aus einem Bild oder gescannten PDF extrahieren

Diese Seite vereint die beiden Arten, die optische Zeichenerkennung (OCR) auf Warizma zu nutzen: ausgehend von einem Foto oder Bildscan oder ausgehend von einem bereits gescannten PDF. In beiden Fällen verwandelt dieselbe Engine ein Textbild in wirklich verwertbaren Text – kopierbar, bearbeitbar, durchsuchbar – statt in eine bloße Zeichnung von Buchstaben.

Warum zwei Tools für dieselbe Technologie

Ein mit dem Telefon aufgenommenes Foto eines Buches und ein von einem Kopierer gescanntes PDF werfen nicht genau dieselben Fragen auf: Das erste bringt Probleme mit Bildausschnitt, Neigung und Beleuchtung mit sich, wie sie bei Aufnahmen aus der Hand entstehen, während das zweite oft schon gut ausgerichtet ist, aber mehrere Dutzend Seiten enthalten kann oder bereits „heimlich“ durchsuchbar ist, wenn eine Software eine Textebene eingebettet hat. Beide Suchabsichten auf zwei Seiten zu trennen, erlaubt es jeder, das ihr Eigene zu erklären, während im Hintergrund dieselbe Erkennungs-Engine arbeitet.

Was die Qualität des Ergebnisses bestimmt

Entgegen einer verbreiteten Annahme hängt die Qualität einer OCR in erster Linie vom gesendeten Bild ab, nicht von der Erkennungs-Engine selbst: Ein gut flach liegendes, gut beleuchtetes und scharfes Dokument liefert selbst mit einer gewöhnlichen Engine ein ausgezeichnetes Ergebnis, während ein unscharfes, schiefes Foto die beste Engine scheitern lässt. Deshalb wendet dieses Tool eine automatische Vorverarbeitung an – Geraderichten, Entrauschen, Skalieren –, bevor es die Erkennung startet, und kennzeichnet die Seiten, auf denen das Ergebnis unzuverlässig bleibt, statt stillschweigend einen fehlerhaften Text zu liefern.

Drei Ausgabeformate

Jede Verarbeitung erzeugt den reinen Text (direkt kopierbar), ein Word-Dokument (ein Absatz pro erkanntem Textblock) und ein durchsuchbares PDF, das das Aussehen des Originalbilds bewahrt und zugleich erlaubt, seinen Inhalt zu markieren und zu kopieren – nützlich, um ein Dokument zu archivieren und dabei für einen PDF-Reader indexierbar zu halten. Die hochgeladene Datei wird 30 Minuten nach der Verarbeitung automatisch gelöscht, nie protokolliert und nie wiederverwendet.