OCR für PDFs und Bilder: So erhältst du genauen Text
Optische Zeichenerkennung liest die Formen von Buchstaben in einem Bild oder einer gescannten Seite und verwandelt sie in echten, auswählbaren Text.
Was OCR tatsächlich tut
Eine gescannte Seite, oder ein Foto eines Dokuments, ist nur ein Bild, ein Raster von Pixeln ohne jeden Begriff von Buchstaben oder Wörtern. OCR analysiert dieses Raster, erkennt Zeichenformen und gibt den gefundenen Text zusammen mit der Position jedes erkannten Worts auf der Seite aus.
Durchsuchbares PDF vs. extrahierter Text
OCR PDF fügt eine unsichtbare, durchsuchbare Textebene über dem ursprünglichen Seitenbild hinzu, sodass die Seite weiterhin genau wie der Scan aussieht, der Text darunter aber in jedem PDF-Betrachter auswählbar und durchsuchbar ist. Image to Text extrahiert stattdessen nur den erkannten Text, ohne jedes Seitenbild, für den Fall, dass du nur die Wörter brauchst.
Sprachen und automatische Erkennung
Die Erkennung unterstützt 95 oder mehr Sprachen. Die Sprache kann Seite für Seite automatisch erkannt werden, was bei gemischten Dokumenten praktisch ist, oder du kannst eine oder mehrere Sprachen manuell wählen, wenn du genau weißt, was das Dokument enthält. Manuelle Auswahl ist bei kurzen oder ungewöhnlichen Dokumenten meist genauer als automatische Erkennung, wenn zu wenig Text vorhanden ist, um die Sprache zuverlässig zu erkennen.
Tipps zur Scanqualität
Seiten werden mit 300 dpi eingelesen, was eine gute Grundlage für Standard-Drucktext ist. Ein paar Gewohnheiten machen einen echten Unterschied bei der Genauigkeit:
- Halte die Seite gerade; schräger Text verringert die Erkennungsgenauigkeit merklich.
- Nutze gleichmäßige Beleuchtung und vermeide Schatten auf der Seite, da niedriger Kontrast Zeichenformen verwirrt.
- Scanne mit 300 dpi oder höher, statt dich auf ein niedrig aufgelöstes Handyfoto zu verlassen.
- Glätte gewellte oder gefaltete Seiten vor dem Scannen, wo möglich.
Dokumente mit mehreren Sprachen
Bei einer Seite, die zwischen zwei oder drei Sprachen wechselt, wähle alle relevanten Sprachen manuell aus, statt dich auf die automatische Erkennung zu verlassen, die pro Seite arbeitet und eine Sprache übersehen kann, die nur in einem kleinen Abschnitt dieser Seite vorkommt.
Tabellen und Formulare
OCR erkennt den Text innerhalb von Tabellenzellen und Formularfeldern, bewahrt aber nicht immer die ursprüngliche Gitterstruktur perfekt, besonders bei dünnen Rahmen oder ungewöhnlichen Layouts. Prüfe numerische Tabellen sorgfältig, da eine falsch erkannte Ziffer visuell leicht zu übersehen ist.
Grenzen bei Handschrift
Die Erkennungsgenauigkeit sinkt bei Handschrift deutlich, und noch weiter bei kleiner Schrift, dekorativen Schriftarten, niedrigem Kontrast und schrägen Seiten. Ordentliche, gedruckte Blockbuchstaben schneiden besser ab als Schreibschrift, aber kein OCR-Werkzeug hier ist ein zuverlässiger Ersatz für eine menschliche Abschrift handschriftlicher Notizen.
Ergebnisse prüfen
Prüfe die OCR-Ausgabe stets stichprobenweise gegen das Original, besonders Zahlen, Namen und jeden Text in kleiner Schrift. Ein kurzes Überfliegen einer konvertierten Seite fängt die meisten Erkennungsfehler ab, bevor sie ein nachgeschaltetes Problem verursachen.
Das richtige Werkzeug wählen
Nutze OCR PDF, wenn die endgültige Datei weiterhin wie der ursprüngliche Scan aussehen, aber durchsuchbar werden soll. Nutze Image to Text, wenn du nur die erkannten Wörter brauchst, ohne Seitenbild. Nutze Scan to Markdown, wenn das gescannte Dokument Struktur hat, Überschriften, Listen oder Tabellen, die es wert sind, als Markdown bewahrt zu werden, wie im PDF to Markdown guide beschrieben. Nutze PDF to Word, wenn das Endziel ein bearbeitbares Dokument statt reinem Text ist. Welches Werkzeug du auch wählst, eine kurze manuelle Prüfung der ersten Seite gegen die Ausgabe bleibt der schnellste Weg zu bestätigen, dass die gewählten Einstellungen für dieses bestimmte Dokument die richtigen waren.