Gescannte PDF in Text umwandeln

Q: Warum wird der Text einer zweispaltigen Seite durcheinander ausgegeben?

Spalten bleiben getrennt, wenn **Textlayout** auf „Layout beibehalten“ steht, was hier die Voreinstellung ist. Wechseln sich Zeilen beider Spalten dennoch ab, ist der Abstand zwischen ihnen im Scan schmal; ein sauberer Scan mit geraden Seiten behebt das meist.

Wenn Sie in einer PDF kein einziges Wort markieren können, handelt es sich um einen Scan: einen Stapel Seitenfotos ohne Text darin. Laden Sie die Datei hier hoch, und die Texterkennung (OCR) liest jede Seite als reinen Text aus, den Sie kopieren, durchsuchen und bearbeiten können.

oder PDF, JPG, JPEG …-Dateien hierher ziehen ·

Max. 95 MB pro Datei· Bis zu 20 Dateien· Gelöscht nach 30 Minuten

Ausgabe

Sprache des Dokuments

Ausgabe

Textart

Dateien werden auf unseren Servern verarbeitet und nach 30 Minuten gelöscht.

So verwenden Sie dieses Tool

1
Gescannte PDF hochladen
Fügen Sie das PDF hinzu, oder bis zu 20 Dateien mit je maximal 95 MB. Mehrseitige TIFF-Scans und einzelne Bilddateien funktionieren ebenfalls.
2
Sprache und Seiten festlegen
Sprache des Dokuments ist Englisch und Ausgabe ist Nur Text (.txt). Ändern Sie die Sprache für andere Dokumente und lesen Sie unter Erweiterte Einstellungen mit Seiten nur einen Bereich einer langen Datei aus.
3
Text erkennen
Klicken Sie auf Text erkennen. Die Seiten werden zuerst gerade ausgerichtet und aufgerichtet und dann der Reihe nach in eine Textdatei eingelesen.

Gescannte PDF vs. durchsuchbare PDF: Warum der Text fehlt

Reines Bild-PDFgescanntes PDF · nicht durchsuchbares PDF · flaches PDF: Ein PDF, dessen Seiten als Bilder gespeichert sind, meist erzeugt von einem Scanner, der Scan-to-E-Mail-Funktion eines Kopierers oder einer Scan-App auf dem Handy. Es sieht aus wie ein Dokument, enthält aber keine Zeichencodes, sodass sich nichts markieren, durchsuchen oder vorlesen lässt.

Ein normales PDF, das aus Word oder einem Browser exportiert wurde, enthält Textobjekte: Jedes Wort ist als Zeichen mit Schriftart und Position gespeichert, daher funktionieren Suche und Kopieren. Ein Scanner überspringt das alles und speichert ein Bild pro Seite. Für einen Computer sind die Seite mit Ihrem Vertrag und das Foto einer Katze dieselbe Art von Daten.

OCR baut die fehlende Ebene wieder auf. Das Seitenbild wird bereinigt, Zeilen und Wörter werden gefunden, und jede Zeichenform wird mit dem Alphabet der gewählten Sprache des Dokuments abgeglichen. Diese Seite liefert das Ergebnis als reinen Text. Ein durchsuchbares PDF ist das andere gängige Ergebnis: Der Scan bleibt sichtbar, und die erkannten Wörter werden als unsichtbarer Text dahinter eingefügt, ein Darstellungsmodus, den der PDF-Standard ISO 32000 schon immer erlaubt.

Der kostenlose Adobe Acrobat Reader kann einen Scan anzeigen, führt aber keine OCR aus; die Texterkennung gehört zu den kostenpflichtigen Acrobat-Versionen. Ein Konverter ist die Abkürzung, wenn Sie die Wörter nur einmal brauchen und kein weiteres Abo wollen. Wenn Ihre Scans noch schwach ausfallen, behandelt unser Ratgeber Dokumente als PDF scannen die Einstellungen von Scanner und Handy.

Scanauflösung für die Texterkennung in gescannten PDFs

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Nur große, saubere Schrift; kleiner Text wird geraten
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Standard für OCR gedruckter Seiten
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Gleiche Detailtreue auf A4-Papier
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Fußnoten, Kleingedrucktes, alte Schreibmaschinenseiten

Wenn die Umwandlung einer gescannten PDF in Text schiefgeht

Auf einer ganzen Seite kommt nur Unsinn heraus
Die Seite ist wahrscheinlich in einer anderen Sprache oder Schrift. Stellen Sie Sprache des Dokuments passend ein und ergänzen Sie Zusätzlich erkennen für eine zweite Sprache auf derselben Seite.
Zeilen brechen mitten im Satz um und Wörter enden mit Bindestrichen
Das folgt den gedruckten Zeilenumbrüchen. Wählen Sie unter Textlayout die Option Fließtext für einen durchgehenden Textblock; übrig gebliebene Bindestriche lassen sich schnell per Suchen und Ersetzen entfernen.
Einige Seiten fehlen in der Textdatei
Prüfen Sie, ob Seiten unter Erweiterte Einstellungen auf „Alle Seiten“ steht. Ein Bereich wie 1-3 begrenzt die Erkennung absichtlich.

PDF

Portable Document Format

PDF wurde 1993 von Adobe entwickelt und 2008 zum offenen Standard ISO 32000. Es fixiert Text, Schriften, Bilder und Layout, sodass ein Dokument auf jedem Bildschirm und Drucker gleich aussieht. PDFs können Formulare, Signaturen, Links, Anhänge und durchsuchbaren Text enthalten, und die Variante PDF/A dient der Langzeitarchivierung. Wegen des festen Layouts lassen sich PDFs schwer bearbeiten, und gescannte PDFs enthalten nur Bilder, solange keine OCR angewendet wird. Jeder Browser und jedes Betriebssystem kann sie öffnen.

Komprimierung: –
Transparenz: Ja
Animation: Nein
Eingeführt: 1993 · Adobe

PDF-Konverter

TXT

Nur-Text

Eine TXT-Datei enthält nur einfache Zeichen, ohne Formatierung, Schriftarten, Bilder oder Layout. Moderne Textdateien sind meist in UTF-8 kodiert, das alle Sprachen abdeckt; ältere Dateien nutzen teils andere Kodierungen und zeigen dann verzerrte Zeichen. Reiner Text ist winzig, veraltet nie und lässt sich auf jedem Gerät öffnen, vom Smartphone bis zum Server. Fetter Text, Tabellen oder Bilder sind nicht möglich, Struktur muss daher über Abstände oder einfache Auszeichnungen ausgedrückt werden.

Komprimierung: –
Transparenz: –
Animation: –
Eingeführt: –

TXT-Konverter

Ein gescanntes PDF speichert Bilder von Seiten, deshalb lassen sich seine Wörter nicht kopieren, durchsuchen oder indizieren; die Erkennung in eine TXT-Datei macht aus dem Scan Text, der in einem Editor, einem Übersetzer oder einem Suchfeld funktioniert.

Fragen zu gescannten PDFs in Text umwandeln

Wie erkenne ich, ob meine PDF gescannt ist oder bereits Text enthält?

Versuchen Sie, einen Satz zu markieren oder mit Strg+F bzw. Command+F nach einem Wort zu suchen. Wenn der Cursor die ganze Seite wie ein Bild markiert und die Suche nichts findet, ist es ein reiner Bild-Scan und braucht OCR. Wenn Wörter normal hervorgehoben werden, ist der Text bereits vorhanden, und PDF in TXT extrahiert ihn exakt, ohne Texterkennung.

Ist reiner Text oder eine durchsuchbare PDF das bessere Ergebnis?

Reiner Text eignet sich, um die Wörter weiterzuverwenden: zitieren, übersetzen, in eine Datenbank oder E-Mail einfügen. Ein durchsuchbares PDF behält das Aussehen des Scans und legt den Text unsichtbar dahinter, was für Archive und Verträge passt. Wenn Sie Letzteres möchten, ist OCR PDF dafür eingerichtet.

Welche Scanauflösung liefert den besten Text aus einer PDF?

300 DPI für normale gedruckte Seiten. Laut Dokumentation von Tesseract sinkt die Genauigkeit bei Text unter etwa 10 pt bei 300 DPI, daher profitieren Fußnoten und Kleingedrucktes von 400 DPI. 600 DPI helfen der Texterkennung selten und machen das PDF um ein Vielfaches größer.

Kann ich Text aus einer gescannten PDF mit Schreibmaschinenseiten oder alten Buchseiten extrahieren?

Meistens ja. Schreibmaschinen- und Buchschrift sind normale gedruckte Buchstaben, und Seiten gerade ausrichten korrigiert die Schräglage, die beim Scannen gebundener Bücher oft entsteht. Sehr verblasste Seiten werden mit aktiviertem Kontrast verbessern besser gelesen.

Warum wird der Text einer zweispaltigen Seite durcheinander ausgegeben?

Spalten bleiben getrennt, wenn Textlayout auf „Layout beibehalten“ steht, was hier die Voreinstellung ist. Wechseln sich Zeilen beider Spalten dennoch ab, ist der Abstand zwischen ihnen im Scan schmal; ein sauberer Scan mit geraden Seiten behebt das meist.