Gescanntes PDF durchsuchbar machen: so klappt die Texterkennung

Du drückst Strg+F in einem gescannten PDF und findest nichts, obwohl das Wort direkt vor dir auf der Seite steht. Der Grund: Die Seite ist ein Foto von Text, kein Text. So behebst du das richtig und prüfst das Ergebnis, bevor du dich darauf verlässt.

Warum die Suche nichts findet

Wenn ein Scanner oder eine Handykamera eine Seite in ein PDF verwandelt, wird ein Foto gespeichert. Das PDF ist nur die Hülle um dieses Foto. Für dich sieht es aus wie Text. Für den Computer ist es ein Raster aus Farbpunkten, in dem es nichts zu suchen, zu markieren oder zu kopieren gibt.

Du kannst das schnell testen: Versuch, eine einzelne Zeile zu markieren. Wird nichts hervorgehoben oder die ganze Seite als ein Block ausgewählt, hast du ein Bild vor dir.

Was OCR eigentlich macht

OCR steht für optische Zeichenerkennung. Die Software schaut sich die Formen auf der Seite an, erkennt, welche Buchstaben das sind, und schreibt die Wörter in eine unsichtbare Ebene genau hinter dem Bild. Die Seite sieht unverändert aus, aber darunter liegt jetzt echter Text.

Diese eine Änderung macht vieles möglich: Die Suche funktioniert, du kannst einen Satz markieren und kopieren, und Screenreader können die Seite vorlesen. Eines solltest du dabei wissen: OCR ist eine gut begründete Vermutung. Ein guter Scan bringt eine sehr gute Vermutung. Ein schlechter bringt Fehler, die du erst bemerkst, wenn du ein Wort suchst und es nicht gefunden wird.

Erst sauber scannen

Die Qualität hängt viel mehr vom Scan ab als von der Software. Bevor du OCR startest:

• Seite flach und gerade halten. Gebogene Zeilen am Buchrücken und schiefe Seiten verursachen die meisten Fehler.
• Gleichmäßiges Licht. Schon der Schatten deines Handys oder deiner Hand kann ein paar Zeilen kosten.
• Scharf fotografieren. Still halten, zum Fokussieren tippen. Aus verschwommenen Buchstaben werden falsche Buchstaben.
• Genug Auflösung. Für normalen Text werden meist etwa 300 dpi empfohlen. Deutlich weniger, und kleine Schrift zerfällt.
• Ränder abschneiden. Dunkle Ränder, Finger und die Kante der nächsten Seite stören die Layouterkennung.

Womit OCR Probleme hat

• Handschrift. Gedruckter Text klappt gut, handschriftliche Notizen meist nicht.
• Spalten und Tabellen. Die Wörter werden erkannt, aber die Lesereihenfolge springt manchmal zwischen Spalten oder Zellen.
• Kleine Schrift und blasse Kopien. Fußnoten und Kopien von Kopien verlieren Details.
• Markierungen über dem Text. Stempel, Unterstreichungen und Textmarker können ein Wort zerteilen.
• Formeln. Mathematische und chemische Notation kommt selten richtig heraus.

Achte außerdem darauf, dass die Spracheinstellung zum Dokument passt. OCR nutzt die Sprache, um zwischen ähnlichen Buchstaben zu entscheiden. Umlaute und das ß leiden am meisten, wenn sie falsch eingestellt ist.

Das Ergebnis prüfen, bevor du ihm vertraust

Ein PDF „mit OCR“ kann trotzdem voller Lücken sein. Zwei Minuten Kontrolle ersparen dir eine Suche, die die Hälfte der Treffer übersieht:

1. Such nach drei oder vier gut lesbaren Wörtern auf verschiedenen Seiten.
2. Kopier einen ganzen Absatz in einen einfachen Texteditor und lies ihn neben dem Original.
3. Achte auf die typischen Verwechslungen: „rn“ statt „m“, „l“ statt „1“, „O“ statt „0“, „u“ statt „ü“.

Wird ein wichtiger Begriff schlecht erkannt, such nach einem kürzeren Teil davon. „lastiz“ findet sowohl „Elastizität“ als auch ein beschädigtes „E1astizität“.

Ein Beispiel

Jonas fotografiert ein 30-seitiges Kapitel aus der Bibliothek mit dem Handy, Seite für Seite, und macht daraus ein PDF. Die Suche nach „Elastizität“ findet nichts.

Er startet die Texterkennung. Jetzt findet die Suche das Wort auf den meisten Seiten, aber nicht auf zwei Seiten, die er unter der Schreibtischlampe fotografiert hat. Dort lag der Schatten seines Handys über dem Text. Er fotografiert die beiden Seiten bei Tageslicht neu und lässt OCR noch einmal laufen. Jetzt passt es.

Auf einer Seite fehlt trotzdem ein Treffer: Ein Textmarker-Streifen eines früheren Lesers läuft durch die Zeile, und beim Kopieren steht dort „E1astizität“. Das Papier kann er nicht reparieren, also sucht er ab jetzt nach „lastiz“. Das ganze Kapitel ist durchsuchbar, und er kennt seine einzige Schwachstelle.

Wohin deine Datei geht, ist nicht egal

Viele kostenlose OCR-Webseiten funktionieren so, dass du deine Datei auf ihren Server hochlädst. Für einen öffentlichen Artikel ist das kein Problem. Für einen Arbeitsvertrag, eine Gehaltsabrechnung, einen Arztbrief oder einen Scan deines Personalausweises solltest du vorher wissen, wo die Datei landet.

Deshalb laufen die PDF-Werkzeuge von ClearRead, die Texterkennung eingeschlossen, auf deinem eigenen Gerät. Die Datei wird nicht hochgeladen, es gibt kein Tageslimit, und die Seite sieht genauso aus wie vorher, nur mit Textebene darunter.

Probier es mit einer Datei

Nimm das gescannte PDF, in dem du am häufigsten etwas suchst. Prüf, ob es schon Text enthält, lass OCR laufen, falls nicht, und teste es mit drei Wörtern. Ab dann dauert das Finden eine Sekunde statt zehn Minuten Scrollen.