PDF OCR – Texterkennung für PDFs

Ein durchsuchbares PDF, manchmal „Bild plus Text“ genannt, speichert pro Seite zwei Dinge: den Original-Scan als Bild und eine unsichtbare Ebene mit erkanntem Text, die genau über den gedruckten Wörtern liegt. Viewer zeigen das Bild an und nutzen den Text für Suche, Auswahl, Kopieren und Screenreader. Am Erscheinungsbild ändert sich nichts, weshalb Archive, Kanzleien und Registraturen es für gescanntes Papier bevorzugen.

PDF wurde 2008 als ISO 32000 zum offenen Standard, und PDF/A, das in ISO 19005 definierte Archivprofil, wird häufig für gescannte Unterlagen verwendet, die jahrzehntelang lesbar bleiben müssen. Adobe Acrobat bietet dieselbe Aufgabe als Funktion „Scannen und OCR“, und viele Bürogeräte haben eine Ausgabe „durchsuchbares PDF“; das Ergebnis hier ist ein gewöhnliches PDF, das sich in jedem Viewer öffnen lässt.

Durchsuchbares PDF ist die richtige Wahl, wenn der Scan selbst das Dokument ist: ein unterschriebener Vertrag, eine Urkunde, ein ärztlicher Befund. Die anderen Ausgaben erstellen aus den erkannten Wörtern ein neues Dokument, was zum Bearbeiten nützlich ist, doch die Kopie ist nur so gut wie die Erkennung. Für Word aus einem PDF, das bereits echten Text enthält, nutzen Sie PDF in Word, das den vorhandenen Text ohne OCR liest; für reinen Text ist gescanntes PDF in Text vorgesehen.

Eine Textebene vergrößert die Datei kaum, da Text im Vergleich zu Seitenbildern winzig ist. War der Scan schon zu groß für ein Upload-Formular, führen Sie zuerst OCR aus und komprimieren Sie das PDF dann auf die erlaubte Größe.