Wie man ein PDF mit OCR liest

Ein gescanntes PDF als Text lesen

Ein gescanntes PDF ist ein Bild eines Dokuments, kein Dokument. Sie können es auf dem Bildschirm lesen, aber Sie können es nicht durchsuchen, keinen Absatz daraus kopieren oder in eine andere Datei einfügen. OCR — optische Zeichenerkennung — ist der Schritt, der das Bild wieder in Text verwandelt: Sie schaut sich jede Seite an, erkennt die Buchstaben und schreibt sie als Text aus, den Sie verwenden können. Dieses Tool führt OCR in Ihrem Browser aus, mit der Tesseract-Engine.

Jede Seite wird der Reihe nach gelesen, und das Ergebnis ist eine .txt-Datei mit dem Text jeder Seite, mit Seitenmarkierungen zwischen den Seiten, damit Sie immer wissen, wo eine Seite endet und die nächste beginnt. Das Ergebnis öffnet sich in jedem Texteditor, und von dort aus können Sie es durchsuchen, daraus kopieren oder es in ein anderes Tool einspeisen — eine Zusammenfassung, eine Übersetzung oder eine Suche. Eine Datei pro Durchlauf, bis zu 100 MB und bis zu 20 Seiten. Wenn Sie das Tool zum ersten Mal verwenden, laden sich die OCR-Engine (etwa 7 MB) und die Sprachdatei für Ihr Dokument (etwa 1–4 MB) in Ihren Browser herunter; danach sind sie zwischengespeichert und bereit.

Die ehrliche Grenze ist, dass OCR rät. Sie schaut sich Pixel an und entscheidet, welcher Buchstabe jede Form ist, und auf einer unscharfen, schrägen oder verblassten Seite wird sie falsch raten. Ein sauberer Scan in guter Auflösung liest sich gut; ein Foto einer Seite, schräg aufgenommen, bei schlechtem Licht, liest sich schlecht. Prüfen Sie das Ergebnis immer — besonders Namen und Zahlen, wo ein einziger falscher Buchstabe die Bedeutung ändert. Nur gedruckter Text wird unterstützt; Handschrift nicht, und keine Einstellung wird das ändern. Und wählen Sie die Sprache des Dokuments, bevor Sie anfangen: OCR mit der falschen Sprachdatei wird Buchstaben falsch lesen, die in verschiedenen Sprachen ähnlich aussehen.

Ein paar praktische Tipps. Wenn Sie können, scannen Sie statt zu fotografieren — ein flacher Scan ist die beste Eingabe, die OCR bekommen kann. Wenn der Scan schief ist, richten Sie ihn zuerst gerade; eine geneigte Seite ist der häufigste Grund für schlechte Ergebnisse. Machen Sie einen kurzen Test mit einer Seite, bevor Sie ein ganzes Dokument angehen, damit Sie wissen, welche Qualität Sie erwarten können. Und wenn der Text wichtig ist — ein Vertrag, eine Krankenakte, eine Reihe von Zahlen — lesen Sie die .txt-Datei Zeile für Zeile gegen den Scan, bevor Sie sich darauf verlassen. OCR spart Stunden des Tippens, aber sie nimmt Ihnen nicht die Notwendigkeit zu prüfen.

Es hilft auch zu wissen, welche Art von Dokument OCR gut bewältigt. Eine sauber gedruckte Seite — ein Buch, ein Formular, ein getippter Brief — liest sich gut, weil die Buchstaben regelmäßig sind und die Abstände gleichmäßig. Eine Seite mit zwei Spalten, einer Tabelle oder einer Mischung aus Text und Bildern liest sich weniger gut: Der Text kommt heraus, aber die Reihenfolge der Spalten kann sich vermischen, und eine Tabelle kann als eine lange Zeile von Wörtern herauskommen. Eine Seite mit einem Stempel, einer Unterschrift oder Handschrift am Rand wird den gedruckten Text lesen und den Rest überspringen, weil Handschrift nicht unterstützt wird. Wenn das Layout wichtig ist — ein Formular, bei dem jedes Feld an seinem Platz bleiben muss — behalten Sie den Scan neben dem Text, damit Sie prüfen können, woher jede Zeile kam.

Auch die Sprachwahl verdient einen zweiten Blick. OCR liest am besten, wenn die Sprachdatei zur Sprache der Seite passt, weil Buchstaben, die in verschiedenen Sprachen ähnlich aussehen — ein deutscher Umlaut, ein französischer Akzent, ein indonesisches Wort ohne englisches Gegenstück — aus der Sprache geraten werden, die Sie gewählt haben. Ein Dokument, das zwei Sprachen mischt, wird eine von ihnen gut lesen und die andere schlecht, und es gibt keine Einstellung, die beide auf einmal liest. Wenn Ihr Dokument größtenteils in einer Sprache ist, mit ein paar Wörtern in einer anderen, wählen Sie die Hauptsprache und prüfen Sie die fremden Wörter von Hand.

Alles läuft in Ihrem Browser. Ihr Scan wird nie auf einen Server hochgeladen, also bleibt ein persönliches Dokument auf Ihrem Gerät. Es gibt kein Konto, kein Tageslimit und kein Wasserzeichen. Öffnen Sie das Tool, ziehen Sie Ihren Scan hinein, wählen Sie die Sprache und holen Sie sich den Text zurück.

So verwenden Sie dieses Tool

1. 1Ziehen Sie ein gescanntes PDF auf die Seite „PDF mit OCR lesen" — bis zu 100 MB, bis zu 20 Seiten pro Durchlauf.
2. 2Wählen Sie die Sprache des Dokuments.
3. 3Klicken Sie auf „Text mit OCR lesen" und warten Sie, während jede Seite der Reihe nach gelesen wird.
4. 4Laden Sie die .txt-Datei herunter und öffnen Sie sie in einem beliebigen Texteditor.
5. 5Prüfen Sie das Ergebnis sorgfältig — besonders Namen und Zahlen — bevor Sie sich darauf verlassen.