Wie mache ich ein gescanntes PDF durchsuchbar?
Ein gescanntes PDF ist ein Stapel Fotos. Du kannst es lesen, dein Computer aber nicht: Die Suche findet nichts, und beim Markieren erwischst du die ganze Seite als Bild. Die Texterkennung behebt das, indem sie die Buchstaben auf jeder Seite erkennt und als Text speichert, den der Computer versteht.
Wähle deine Datei, hake die Sprachen an, die darin vorkommen, und lass Durchsuchbares PDF als Ausgabe ausgewählt. Das Tool rendert jede Seite in hoher Auflösung, erkennt den Text und legt dann eine unsichtbare Textebene genau über die Wörter der Originalseite. Das Ergebnis öffnet sich in jedem PDF-Reader. Es sieht aus wie dein Scan, aber Suche, Markieren und Kopieren funktionieren jetzt, und auch die Dateisuche deines Computers findet es über seinen Inhalt.
Seiten, die schon echten Text enthalten, zum Beispiel ein getipptes Deckblatt in einer sonst gescannten Datei, bleiben unverändert. So bekommst du dieselben Wörter nie doppelt.
Tipp: Hake nur die Sprachen an, die wirklich im Dokument stehen. Jede zusätzliche Sprache macht die Erkennung etwas langsamer und gibt ihr mehr Gelegenheiten, ein falsches Wort zu raten.
Wie wandle ich ein gescanntes PDF in Text um?
Wähle Textdatei (.txt) als Ausgabe. Du bekommst eine einfache Textdatei mit den Wörtern aller Seiten, getrennt durch eine Leerzeile zwischen den Seiten. Das ist praktisch, wenn du aus einem gescannten Behördenbrief zitieren, ein Dokument übersetzen oder Zahlen aus einem alten Bericht in eine Tabelle übernehmen willst.
Möchtest du ein bearbeitbares Dokument mit Layout, ist der nächste Schritt, das durchsuchbare PDF in Word umzuwandeln. Bei Dateien, die nie gescannt wurden, etwa einem aus Word exportierten PDF, brauchst du gar keine OCR: Den Text direkt auszulesen ist schneller und exakt.
Wie genau ist die Texterkennung bei Scans und Handyfotos?
Bei einem sauberen, geraden Scan von gedrucktem Text ist die Erkennung meist sehr gut. Schwierige Vorlagen senken die Genauigkeit, deshalb hilft es zu wissen, womit die Erkennung Probleme hat:
- Niedrige Auflösung. Scanne mit 300 DPI. Text, der beim Hineinzoomen verschwommen aussieht, wird geraten.
- Schiefe oder gewölbte Seiten. Fotos einer Buchseite am Falz oder ein schräges Handyfoto stören die Zeilenerkennung. Richte die Seite vorher gerade aus.
- Handschrift. Die Erkennung ist auf gedruckte Schrift trainiert. Ordentliche Druckbuchstaben können klappen, Schreibschrift meist nicht.
- Stempel, Wasserzeichen und farbige Hintergründe. Text darauf lässt sich schwerer vom Hintergrund trennen.
- Tabellen und mehrere Spalten. Die Wörter werden gefunden, aber die Lesereihenfolge in einer .txt-Datei kann zwischen den Spalten springen.
Prüfe Namen, Zahlen und Beträge im Ergebnis immer, bevor du dich darauf verlässt.
Ist es sicher, vertrauliche Dokumente online per OCR zu erkennen?
Hier schon, denn das Dokument wird nie hochgeladen. Die meisten Online-OCR-Dienste schicken deine Datei an einen Server, lassen die Erkennung dort laufen und behalten eine Kopie für eine gewisse Zeit. Diese Seite lädt stattdessen die Erkennung und ihre Sprachdaten in deinen Browser, und die ganze Arbeit läuft auf deinem eigenen Handy oder Computer.
Das kannst du nachprüfen: Öffne die Entwicklertools deines Browsers im Tab „Netzwerk“, während die OCR läuft. Beim ersten Mal siehst du, wie die Dateien der Erkennung ankommen, aber dein PDF wird nie irgendwohin geschickt. Das zählt bei genau den Unterlagen, die man typischerweise scannt: Personalausweis, Steuerbescheid, Kontoauszug, Arztbrief und unterschriebene Verträge.
Welche Sprachen kann ich erkennen lassen?
Siebzehn Sprachen stehen zur Auswahl (siehe die Liste im Tool), und du kannst bei gemischten Dokumenten mehrere anhaken, etwa bei einem deutschen Vertrag mit englischen Klauseln oder einer englischen Rechnung an eine Firma in Hamburg. Die Modelle sind die genauen „best“-Varianten der Tesseract-Sprachdaten, in einem kleineren Ganzzahlformat gepackt, damit sie schnell geladen sind und trotzdem präzise bleiben.