Text in einem gescannten PDF per OCR erkennen

Texterkennung in einer PDF: was mit einem Scan geschieht

Ein gescanntes Dokument sieht aus wie ein Dokument und liest sich wie eines, doch für jedes Programm ist es ein Bild. Man kann darin nicht suchen, keine Vertragsnummer herauskopieren, und ein Antragsformular, das auf Text prüft, weist es als leere Datei zurück.

Die Erkennung löst genau das, und zwar auf eine Weise, die man verstehen sollte: sie schreibt nichts um.

Was der Datei tatsächlich hinzugefügt wird

Das Seitenbild bleibt unberührt. Darüber legt sich eine zweite Ebene: Text, positioniert dort, wo im Bild die entsprechenden Buchstaben stehen, und unsichtbar gemacht.

Daraus ergeben sich alle Eigenschaften des Ergebnisses. Optisch ist die Datei vom Original nicht zu unterscheiden: dasselbe Papier, dieselben Stempel, dieselbe Schräglage, falls es eine gab. Zugleich findet die Suche Wörter, ein Doppelklick markiert eine Zeile, und das Kopieren liefert echten Text.

Derselbe Umstand erklärt, warum die Erkennung für Dokumente sicher ist, bei denen das Aussehen zählt. Ein gescannter Vertrag mit Unterschrift ist nach dem OCR derselbe Scan mit derselben Unterschrift; er ist lediglich durchsuchbar geworden.

Seiten mit vorhandenem Text werden übersprungen

Vor der Verarbeitung wird jede Seite auf eine Textebene geprüft, und Seiten, die eine haben, werden gar nicht erkannt.

Zwei praktische Folgen ergeben sich daraus.

Gemischte Dokumente werden ohne Zutun richtig behandelt. Ist ein Teil einer Datei in einem Editor getippt und ein Teil als Scan eingeklebt, wird nur der zweite Teil erkannt. Der getippte Text bleibt der ursprüngliche, statt durch eine erkannte Kopie ersetzt zu werden, und das zählt: Originaltext ist exakt, erkannter Text enthält Fehler.

OCR auf eine gewöhnliche Text-PDF anzuwenden tut fast nichts und beschädigt nichts. Das ist praktisch, wenn man nicht weiß, ob das Dokument vor einem ein Scan ist: schicken Sie es einfach durch das Werkzeug.

Dieselbe Logik bestimmt die Dauer. Sie hängt nicht von der Seitenzahl des Dokuments ab, sondern von der Zahl der Seiten ohne Text. Ein zweihundertseitiger Bericht mit fünf eingeklebten Scans ist in der Zeit von fünf Seiten verarbeitet.

Die drei Qualitätsmodi sind drei Auflösungen

Die Qualitätswahl steuert eine einzige Größe: mit welcher Auflösung die Seite vor der Erkennung gezeichnet wird.

Voreingestellt ist der schnelle Modus, und das sollte man wissen. Hundert Punkte pro Zoll genügen für Überschriften und Fließtext in zwölf Punkt, doch kleine Fußnoten, Zahlen in Tabellen und Stempel kommen bei diesem Rendering deutlich schlechter heraus.

Die Regel ist einfach: enthält das Dokument etwas, das Sie selbst mit zusammengekniffenen Augen lesen, wählen Sie den genauen Modus. Er ist langsamer und erspart Ihnen, die Arbeit zweimal zu machen.

Sprache: Automatik heißt zwei Sprachen gleichzeitig

Verfügbar sind Englisch und Russisch sowie ein Automatikmodus.

Der Automatikmodus errät die Sprache nicht. Er erkennt das Dokument in beiden zugleich, was zu Text passt, in dem die eine Sprache mit Namen, Codes und Begriffen der anderen durchsetzt ist. Der Preis ist Tempo und ein kleiner Genauigkeitsverlust bei einheitlichem Text.

Ist das Dokument durchgängig in einer Sprache, liefert die Wahl dieser Sprache ein etwas besseres und schnelleres Ergebnis.

Ist die gewählte Sprache nicht verfügbar, scheitert die Erkennung nicht: sie läuft mit der installierten und hängt eine eigene Warnung an, die sowohl die gewünschte als auch die angewandte Sprache nennt. Diese Warnung lohnt das Lesen statt des Wegklickens: eine stumm ersetzte Sprache erklärt ein seltsames Ergebnis besser als jede Vermutung.

Eine Anmerkung zu Dokumenten in anderen Sprachen. Lateinische Schrift erkennt das englische Paket, doch diakritische Zeichen gehen dabei verloren oder werden verstümmelt: französische und deutsche Texte kommen lesbar heraus, mit Fehlern in den Akzenten. Schriftsysteme jenseits von Latein und Kyrillisch werden gar nicht unterstützt.

So starten Sie die Erkennung

1. Öffnen Sie ocr-pdf und laden Sie das Dokument hoch. 2. Wählen Sie die Sprache. Automatik für gemischten Text, eine konkrete Sprache für einheitlichen. 3. Stellen Sie den genauen Modus ein, wenn das Dokument kleine Schrift enthält. 4. Starten Sie den Auftrag und laden Sie das Ergebnis herunter. 5. Öffnen Sie die Datei und suchen Sie nach einem Wort, von dem Sie wissen, dass es auf dem Scan steht. Das ist die schnellste mögliche Kontrolle.

Die Schräglagenkorrektur und ihr Preis

Ein eigener Schalter richtet schiefe Seiten vor der Erkennung gerade. Er ist ab Werk aus, und dafür gibt es einen Grund.

Das Geraderichten wird auf eine temporäre Kopie der Seite angewandt, die die Erkennung liest, und die Textebene legt sich anschließend über die ursprüngliche, unkorrigierte Seite. Auf einem stark schiefen Scan ergibt das einen Versatz: der unsichtbare Text ist gegenüber den sichtbaren Buchstaben verdreht.

Die Suche leidet nicht darunter, das Wort wird trotzdem gefunden. Die Markierung mit der Maus leidet: der Markierungsrahmen liegt neben den Buchstaben, und einen Abschnitt zu kopieren wird unbequem.

Der Kompromiss ist Absicht, denn die Originalseiten bleiben unangetastet. Ist die Schräglage stark, richtet man das Dokument besser vor der Erkennung gerade, mit rotate-pdf für rechtwinklige Drehungen oder indem man den Scan über scan-to-pdf neu aufbaut, das echtes Geraderichten beherrscht.

Was die Erkennung nicht leistet

Sie verbessert die Vorlage nicht. Ein verwackeltes Foto, ein Lampenreflex quer über einer Zeile, der Schatten einer Hand über einer halben Seite: all das bleibt, und die Erkennung liefert an dieser Stelle Kauderwelsch oder überspringt sie.

Sie liest keine Handschrift. Das Werkzeug ist für Druckschrift gebaut.

Sie liefert keinen rechtlich belastbaren Text. Die erkannte Ebene enthält Fehler und taugt nicht als Kopie des Dokuments. Sie existiert für die Suche und für Systeme, die eine Textebene verlangen, nicht zum Zitieren.

Und sie stellt keine Auflösung wieder her. Wurde der Ausgangsscan mit 75 Punkten pro Zoll gemacht, zeichnet der genaue Modus ihn mit 300, doch neue Buchstaben entstehen dadurch nicht: ein unscharfes Bild wird schlicht größer. Die Erkennungsqualität bestimmt die Vorlage, nicht die Einstellung.

Wo die Erkennung in der Kette der Operationen sitzt

Die Reihenfolge zählt mehr, als es aussieht, und es gibt eine Regel: Erkennung vor Kompression.

Die Erkennung arbeitet am Seitenbild. Die Kompression über compress-pdf verschlechtert genau dieses Bild: sie senkt die Auflösung und setzt Artefakte um die Buchstaben. Die andere Reihenfolge erzeugt spürbar mehr Fehler im Text, und danach fehlt jedes Mittel zur Korrektur.

Zusammenbau und Drehungen gehören ebenfalls vor die Erkennung: sie ändern, welche Seiten es gibt und wie sie ausgerichtet sind, und die Textebene hängt an einer konkreten Seite.

Brauchen Sie nicht eine Datei mit Textebene, sondern den Text selbst als eigene Datei, gibt es dafür pdf-to-text: es zieht den Inhalt in eine einfache Textdatei, nach Seiten getrennt.