OCR, also optische Zeichenerkennung, liest die Buchstaben im Bild einer Seite und macht daraus Text, den ein Computer durchsuchen kann. Ein gescanntes PDF besteht nur aus Bildern: Sie können es nicht durchsuchen, keinen Satz markieren und keine Zahl herauskopieren. Nach der OCR geht das. Dieses Tool erledigt das in Ihrem Browser, ohne Seitengrenze, und Ihr Dokument wird nie hochgeladen.
Ein gescanntes PDF durchsuchbar machen
Das Ergebnis sieht genauso aus wie Ihr Scan, weil die Originalseiten erhalten bleiben. Unter dem Bild liegt eine unsichtbare Ebene erkannter Wörter genau dort, wo jedes Wort steht. So markiert die Suche die richtige Stelle, und beim Auswählen erfassen Sie die Wörter, die Sie sehen. Um zu prüfen, ob ein PDF schon Text hat, versuchen Sie, eine Zeile auszuwählen: Klappt das nicht, braucht es OCR.
OCR-Sprachen wählen
Die Erkennung muss wissen, welches Alphabet und welche Wörter sie erwarten soll. Wählen Sie also jede Sprache, die im Dokument gedruckt ist, etwa Deutsch und Englisch bei einem zweisprachigen Formular. Über 100 Sprachen stehen zur Wahl, darunter Chinesisch, Japanisch, Koreanisch, Arabisch, Hebräisch und Hindi. Jede Sprache wird einmal heruntergeladen, meist ein paar Megabyte, und dann von Ihrem Browser behalten; die Größe sehen Sie vor dem Start. Sprachen, die nicht im Dokument vorkommen, machen die Erkennung langsamer und ungenauer.
Was die Genauigkeit der OCR beeinflusst
Bei einem sauberen, geraden Scan von gedrucktem Text mit 300 dpi wird fast jedes Wort richtig gelesen. Die Genauigkeit sinkt bei verwackelten Handyfotos, niedriger Auflösung, schiefen oder gewellten Seiten, blassem Druck, farbigen Hintergründen, ungewöhnlichen Schriften und Tabellen mit engen Linien. Handschrift wird meist nicht erkannt. Eine höhere Auflösung in den erweiterten Einstellungen hilft bei kleiner Schrift, kostet aber Zeit. Prüfen Sie Namen und Zahlen, auf die Sie sich verlassen, immer selbst.
So funktioniert es
Jede Seite wird in Ihrem Browser als Bild gezeichnet und von Tesseract gelesen, einer Open-Source-OCR-Engine, die auf Ihrem Gerät läuft. Die gefundenen Wörter und ihre Positionen werden als unsichtbare Textebene in eine Kopie Ihres PDFs geschrieben und in der Textdatei gesammelt. Ein Laptop schafft eine Seite in wenigen Sekunden; ein Handy ist langsamer. Lange Dokumente dauern länger, haben aber keine Grenze, und die Schätzung vor dem Start sagt Ihnen, womit Sie rechnen können.
Wofür man es nutzt und wann es nicht klappt
Gescannte Verträge und Briefe, alte Bücher und Abschlussarbeiten, Belege und Rechnungen für die Buchhaltung, Arbeitsblätter aus der Schule, Unterlagen aus einem Archiv und alles, was Sie später auf dem Computer durchsuchen möchten.
- Das Layout wird nicht nachgebaut. Das durchsuchbare PDF behält das Originalaussehen; die Textdatei ist reiner Text. Um das Dokument zu bearbeiten, nutzen Sie danach PDF in Word.
- Handschrift wird meist nicht erkannt.
- PDFs, die schon Text haben, brauchen keine OCR; ihren Text bekommen Sie mit PDF in Text.
- Auf dem Handy lassen Sie bei langen Aufträgen den Bildschirm an und den Tab offen, sonst pausiert der Browser sie.