OCR — gescanntes PDF

Text aus einem Scan extrahieren, kopier- und durchsuchbar. Kostenlos, ohne Upload. max. 1 GB · Bis zu 1 GB · Lokal verarbeitet, nie an einen Server gesendet.

Ein PDF, das aus einem Scanner, einem Kopierer oder einer Kamera stammt, enthält keinen Text: Jede Seite darin ist eine Fotografie. Eine Stichwortsuche findet nichts, die Auswahl greift ins Leere, Kopieren und Einfügen liefert nichts zurück, und für eine Indexierung bleibt das Dokument stumm. Dieses Werkzeug liest jene Bilder Zeichen für Zeichen zurück und gibt Ihnen eine Textdatei, mit der sich arbeiten lässt.

Die Erkennung stützt sich auf Tesseract, die quelloffene Engine, die bei HP entstand und später von Google weiterentwickelt wurde, hier in ihrer für den Browser übersetzten JavaScript-Fassung. Jede ausgewählte Seite wird von PDF.js in ein Canvas mit der doppelten Anzeigegröße gerendert und anschließend dem LSTM-Netz der Engine übergeben – jenem Verfahren, das ganze Zeilen erkennt statt einzelner Buchstaben.

Die Engine und das Modell der gewählten Sprache wiegen zusammen etwa 15 MB und werden beim ersten Lauf heruntergeladen, wofür einmalig eine Verbindung nötig ist. Danach übernimmt der Cache des Browsers, und die Analyse läuft auf Ihrem eigenen Rechner: Was über das Netz geht, ist das Erkennungsprogramm, niemals die Seiten, die Sie ihm zu lesen geben.

So funktioniert es

  1. Das gescannte PDF laden Die Datei muss sich ohne Passwort öffnen lassen. Ein PDF mit nativem Text wird angenommen, gewinnt durch die optische Erkennung aber nichts.
  2. Sprache des Dokuments wählen Sechs Einstellungen: Französisch, Englisch, Französisch + Englisch, Deutsch, Spanisch und Italienisch. Das Modell steuert die Erkennung von Umlauten und Wörtern; eine falsche Wahl verschlechtert das Ergebnis merklich.
  3. Seiten bei Bedarf eingrenzen Das Feld Seiten nimmt 1-3 oder 2, 5, 8-10 entgegen und bleibt leer, um alles zu bearbeiten. Zahlen außerhalb des Dokuments werden übergangen. Bei einer langen Datei lässt sich mit einem Probebereich die Qualität beurteilen, bevor Sie das Ganze anstoßen.
  4. OCR starten und den Tab offen lassen Die Leiste nennt die gerade gelesene Seite samt ihrer Position in der Warteschlange, sodass Seite 4 als 2/6 erscheinen kann. Rechnen Sie mit einigen Sekunden je Seite; Schließen oder Neuladen des Tabs bricht den Vorgang ab.
  5. Textdatei abholen Die .txt-Datei ist in UTF-8 codiert und meldet die Zahl der erkannten Wörter. Die Seiten sind darin durch eine Zeile der Form — Page 3 — voneinander getrennt.

Welche Scanqualität nötig ist

Tesseract liest, was man ihm gibt. Ein Scan mit 300 Punkten je Zoll, gerade ausgerichtet, in sauberem Schwarzweiß oder in Graustufen, liefert solide Ergebnisse. Unterhalb von 200 dpi beginnen kleine Zeichen ineinanderzulaufen: Aus rn wird m, aus der Null wird ein O, Umlautpunkte fallen weg.

Drei Mängel wiegen dabei schwerer als die Auflösung:

Gerendert wird mit dem Faktor 2, also etwa 144 Punkten je Zoll. Ein mit 600 dpi erfasster Scan wird hier folglich nicht in voller Feinheit ausgeschöpft, doch für gewöhnlichen Fließtext bleibt der Abstand bequem – und eine schwache Vorlage wird durch diesen Weg nicht besser.

Die Sprachen und was das Modell verändert

Jede angebotene Sprache entspricht einem gesondert trainierten Modell, das bei Bedarf geladen wird. Der Wechsel von Französisch zu Deutsch löst deshalb einen neuen Abruf aus, der seinerseits in den Cache wandert.

Das Modell dient nicht allein dazu, Formen zu erkennen: Es bringt ein Wörterbuch und eine Statistik über Zeichenfolgen mit, die mehrdeutige Fälle entscheiden. Genau deshalb verliert ein deutscher Text, der mit dem englischen Modell gelesen wird, seine Umlaute und sein ß und wird an falschen Stellen getrennt – die Engine hat keinen Anlass, an dieser Stelle ein ö zu erwarten. Umgekehrt hilft das deutsche Modell bei langen Zusammensetzungen, weil es die üblichen Fugen kennt. Die Einstellung Französisch + Englisch lädt beide Modelle und lässt die Engine abwägen, was bei einem Bericht voller englischer Fachbegriffe nützt, aber einen langsameren Lauf und ein wenig Unsicherheit bei rein einsprachigen Vorlagen mit sich bringt.

Keines der hier angebotenen Modelle ist auf Handschrift trainiert. Ein handgeschriebener Brief, ein Rezept oder Randnotizen kommen als Rauschen heraus. Das gilt ebenso für Frakturschrift: Das Modell Deutsch ist auf Antiqua trainiert, sodass ältere Drucke in gebrochener Schrift unbrauchbare Ergebnisse liefern.

Was die Textdatei behält und was sie verliert

Die .txt-Datei enthält die Wörter in der Lesereihenfolge, die die Engine rekonstruiert hat, Seite für Seite. Sie enthält kein Fett, kein Kursiv, keine Schriftgröße, keine Farbe, kein Bild und keinen Hinweis darauf, wo die Blöcke auf dem Blatt standen.

Ein komplexes Layout ist der Schwachpunkt. Bei einem zweispaltigen Dokument folgt die Engine den Blöcken mehr schlecht als recht, eine Tabelle kommt fast immer als Folge von Zeilen heraus, deren Zellen sich vermischen, und ein Formular aus Kästchen verliert die Verbindung zwischen Beschriftung und Wert. Die abschließende Wortzahl gibt einen ersten Anhaltspunkt: Ein Wert deutlich unterhalb dessen, was auf den Seiten tatsächlich steht, deutet auf eine falsch gewählte Sprache, einen zu blassen Scan oder quer liegende Seiten hin.

Wann ein anderes Werkzeug besser passt

Enthält Ihr PDF bereits auswählbaren Text, ist die optische Erkennung ein Umweg, der das Ergebnis nur verschlechtern kann: Eine gewöhnliche Umwandlung holt die ursprünglichen Zeichen ohne jede Fehlerquote heraus. Die Probe dauert zwei Sekunden – versuchen Sie zuerst, in Ihrem gewohnten Betrachter einen Satz zu markieren.

Und wenn Sie ein durchsuchbares PDF anstreben, also ein Dokument, das sein Aussehen behält und zugleich abfragbar wird, erzeugt diese Seite es nicht: Sie liefert eine gesonderte Textdatei, die Sie weiterverwenden oder an anderer Stelle einfügen.

Häufige Fragen

Wie lange dauern fünfzig Seiten?

Einige Sekunden je Seite auf einem neueren Rechner, länger auf einem Telefon: Rechnen Sie mit mehreren Minuten, während derer der Tab geöffnet bleiben muss. In Abschnitten über das Feld Seiten zu arbeiten, bewahrt Sie davor, bei einem Abbruch alles zu verlieren.

Ich habe die Sprache gewechselt, warum wird erneut geladen?

Jede Sprache hat ihr eigenes Modell. Ein erster Lauf auf Französisch legt etwa 15 MB in den Cache; wählen Sie danach Deutsch, wird das deutsche Modell abgerufen. Bereits geladene Modelle bleiben weiterhin verfügbar.

Mein PDF enthält schon Text, verbessert die OCR ihn?

Nein, sie verschlechtert ihn. Das Werkzeug übergeht die vorhandene Textebene und liest stattdessen ein Bild der Seite: Das Ergebnis ist bestenfalls gleichwertig, mit zusätzlichen Fehlern obendrein.

Bleiben Tabellen und Spalten erhalten?

Bei Spalten teilweise, bei Tabellen selten. Die Ausgabe ist reiner Text: Die Zellen erscheinen als aufeinanderfolgende Zeilen, und die Ausrichtung geht verloren. Ein gescannter Kontoauszug bleibt lesbar, verlangt aber eine Nachbearbeitung.

Was bedeutet es, wenn kein Text erkannt wurde?

Die Engine ist durchgelaufen, ohne ein einziges Wort zu finden, und gibt keine leere Datei aus. Drei Ursachen überwiegen: eine falsch gewählte Sprache, ein zu blasser oder zu dunkler Scan und auf dem Kopf stehende Seiten. Prüfen Sie die Ausrichtung und lassen Sie zur Probe eine einzelne Seite laufen.

Bleibt die Engine nach dem Durchlauf aktiv?

Nein, der Erkennungsprozess wird beendet, sobald die letzte Seite fertig ist, und ebenso, wenn ein Fehler den Lauf vorzeitig unterbricht. Im Cache bleiben allein die Dateien der Engine für das nächste Mal.

Ähnliche Werkzeuge

Weitere Werkzeuge entdecken

Kategorien