Kein Upload, 100% lokal, kein Konto

Tutorial

Einen gescannten PDF durchsuchbar machen

Ein gescanntes PDF sieht wie ein normales Dokument aus, ist aber eigentlich ein Bild einer Seite: Strg+F findet nichts, und Sie können kein einziges Wort markieren oder kopieren. Das Tool PDF OCR behebt das, ohne zu ändern, was die Datei ist. Es liest jedes Seitenbild, erkennt die Zeichen mit einer OCR-Engine auf dem Gerät, und legt den erkannten Text unsichtbar über dasselbe Bild, sodass das PDF weiterhin genau wie zuvor aussieht und druckt, aber nun auf Suche und Textmarkierung reagiert. Die Datei verlässt Ihr Gerät nie.

Verfasst von Bastien Sulyan · Veröffentlicht am

Schritt für Schritt

  1. Öffnen Sie das Tool PDF OCR und legen Sie Ihr gescanntes PDF hinein. Nur PDF-Dateien werden akzeptiert, und die Datei ist auf 80 MB begrenzt; ein typischer mehrseitiger Scan liegt deutlich darunter.
  2. Wählen Sie die Sprache des Dokuments aus dem Dropdown (Englisch, Französisch, Deutsch, Spanisch, Portugiesisch oder Italienisch) und bearbeiten Sie bei Bedarf den Ausgabedateinamen. Die Standardeinstellung behält automatisch die Endung .pdf bei.
  3. Klicken Sie auf Ausführen und warten Sie, bis jede Seite verarbeitet ist. Jede Seite wird gerendert, durch die OCR-Engine geführt und erhält ihre eigene unsichtbare Textebene, bevor das Tool zur nächsten übergeht, sodass ein langes Dokument länger dauert als eine einzelne Seite. Laden Sie das Ergebnis herunter: Es öffnet und druckt sich identisch zum Original, aber Strg+F, Textmarkierung und Kopieren-und-Einfügen funktionieren jetzt.

Durchsuchbares PDF oder reiner Text: was Sie tatsächlich brauchen

Dieses Tool und das reine OCR-Tool lösen dasselbe zugrunde liegende Problem, Text in einem gescannten Bild zu erkennen, behalten aber unterschiedliche Dinge bei. Das OCR-Tool verwirft das Seitenbild und gibt Ihnen eine reine .txt-Datei zurück: Nutzen Sie es, wenn Sie die Wörter in einen Editor einfügen, übersetzen oder als Text durchsuchen möchten, und es Ihnen nicht wichtig ist, das ursprüngliche Aussehen des Dokuments zu bewahren. Das Tool PDF OCR hier behält das ursprüngliche PDF genau so, wie es ist, Seitenbilder inklusive, und fügt nur eine versteckte Textebene darunter hinzu: Nutzen Sie es, wenn das Dokument ein PDF bleiben muss, das Sie noch drucken, per E-Mail versenden oder archivieren können, Sie aber auch daraus suchen oder kopieren möchten. Keines der beiden Tools rekonstruiert das Layout als bearbeitbaren Text mit echten Schriften und Tabellen; beide arbeiten mit demselben erkannten Text, nur anders verpackt.

Warum das Ergebnis vom Scan abhängt, und wo die Grenzen liegen

Die Erkennungsgenauigkeit folgt der Qualität des Quellbildes, genau wie beim reinen OCR: Ein sauberer, gerader Scan um 200 bis 300 DPI wird zuverlässig erkannt, während ein unscharfes Foto, eine schiefe Seite oder starke Schatten mehr falsch gelesene Wörter erzeugen. Kam eine Seite schief heraus, richten Sie sie mit dem Tool PDF-Entzerrung vor dem OCR-Lauf gerade, damit der Erkennungsschritt geraden Text liest. Das Tool deckt sechs Sprachen ab (Englisch, Französisch, Deutsch, Spanisch, Portugiesisch, Italienisch); ein Dokument in einer nicht unterstützten Sprache wird nicht korrekt erkannt. Die Verarbeitung läuft Seite für Seite in Ihrem Browser-Tab ab, sodass ein Dokument mit Dutzenden Seiten spürbar länger dauert als ein zweiseitiger Scan, und die Datei ist auf 80 MB begrenzt. Das Ausgabe-PDF fällt außerdem tendenziell ähnlich groß aus wie das Original, da die Seitenbilder selbst nicht angerührt werden; brauchen Sie danach eine kleinere Datei, lassen Sie sie durch den PDF-Kompressor laufen.

Wie die unsichtbare Textebene aufgebaut wird

Jede PDF-Seite wird zuerst in Ihrem Browser auf ein Canvas-Bild gerastert, derselbe Rendering-Schritt, den das Tool PDF-zu-Bild nutzt. Die OCR-Engine (Tesseract, zu WebAssembly kompiliert) liest dieses Bild und gibt jedes erkannte Wort zusammen mit seinem Begrenzungsrahmen zurück, seiner Position auf der Seite. Diese Wörter werden dann an ihren erkannten Positionen auf eine Kopie der ursprünglichen PDF-Seite zurückgezeichnet, aber mit Deckkraft null, sodass sich visuell nichts ändert: Das Seitenbild, das Sie sehen und drucken, ist dasselbe, das gescannt wurde, obenauf liegend. Die Such- und Textmarkierungsfunktionen eines PDF-Betrachters schauen nur auf diese unsichtbare Textebene, weshalb die Datei durchsuchbar und markierbar wird, ohne anders auszusehen. All das, Rendern, Erkennung und Wiederzusammensetzen, geschieht innerhalb Ihres Browser-Tabs; das PDF wird von der lokalen Festplatte gelesen und nie irgendwohin übertragen.

Die in dieser Anleitung verwendeten Tools

Häufige Fragen

Sieht das durchsuchbare PDF weiterhin genau wie der Original-Scan aus und druckt genauso?

Ja. Das Tool ändert das Seitenbild nie; es fügt nur eine unsichtbare Textebene darunter hinzu. Auf dem Bildschirm und auf Papier ist die Ausgabe visuell identisch zum eingelegten Scan. Was sich ändert ist, dass die Such- und Textmarkierungsfunktionen eines Betrachters nun die erkannten Wörter finden und greifen können, weil sie aus dieser versteckten Ebene lesen.

Warum gibt es dieses Tool neben dem reinen OCR-Tool?

Sie beantworten unterschiedliche Bedürfnisse aus demselben Erkennungsschritt. Das OCR-Tool gibt Ihnen eine reine Textdatei, was Sie wollen, wenn Sie die Wörter einfügen, bearbeiten oder übersetzen möchten und das Dokument nicht als PDF behalten müssen. Dieses Tool behält die Datei als PDF mit den ursprünglichen Seitenbildern intakt, was Sie wollen, wenn das Dokument weiterhin unverändert gedruckt, archiviert oder per E-Mail versendet werden muss, Sie aber auch daraus suchen oder Text kopieren möchten.

Quellen