Gescanntes PDF in Text umwandeln

Warum du in einem gescannten PDF nichts suchen kannst

Wenn du ein gescanntes PDF in Text umwandeln willst, hilft es, zuerst zu verstehen, was in der Datei eigentlich steckt. Ein Scanner oder eine Handy-App fotografiert jede Seite und packt die Fotos in einen PDF-Container. Für dich sieht das aus wie ein Dokument mit Text. Für den Rechner ist es eine Folge von Bildern: Pixel, keine Buchstaben. Deshalb findet Strg+F (oder ⌘F auf dem Mac) nichts, deshalb markiert die Maus beim Ziehen die ganze Seite als Bildfläche, und deshalb liefert Kopieren und Einfügen nur Leere.

Du erkennst so ein Bild-PDF schnell: Öffne die Datei und versuch, ein einzelnes Wort zu markieren. Klappt das nicht, ist es ein Scan ohne Textebene. Ein zweites Indiz ist die Dateigröße: Ein Vertrag mit zehn Seiten, der als Text-PDF ein paar hundert KB hätte, wiegt als Scan schnell mehrere MB.

OCR (optische Zeichenerkennung) liest die Buchstaben aus dem Bild und schreibt sie als unsichtbare Textebene genau über die Stelle, an der sie im Bild stehen. Das Bild selbst bleibt unangetastet: Unterschriften, Stempel, handschriftliche Randnotizen und das Papiergrau sehen danach genauso aus wie vorher. Neu ist nur, dass unter jedem sichtbaren Wort ein echtes Wort liegt, das die Suche findet und das du kopieren kannst. Das Ergebnis nennt man ein durchsuchbares PDF.

Das ist ein wichtiger Unterschied zu Programmen, die das Dokument nachbauen: Bei einer reinen Textebene geht nichts vom Original verloren. Wenn die Erkennung ein Wort falsch liest, siehst du trotzdem weiter das richtige Bild. Der Fehler wirkt sich nur aus, wenn du suchst oder kopierst. Genau deshalb lohnt es sich, nach der OCR ein paar Stellen gezielt zu prüfen (dazu unten mehr).

Zur Abgrenzung: Wenn dein Problem kein PDF ist, sondern ein einzelnes verwackeltes Foto eines Dokuments, ist OCR nicht der erste Schritt. Dann musst du erst das Bild retten, etwa mit unscharfes Foto schärfen, und kannst danach den Text erkennen lassen.

Richtig scannen, damit die PDF-OCR wenig Fehler macht

Die Qualität der Texterkennung entscheidet sich zum großen Teil beim Scannen, nicht in der Software. Diese Regeln bringen am meisten:

• 300 dpi für normalen Text. Bei 150 dpi sind die Buchstaben einer 10-Punkt-Schrift nur wenige Pixel hoch, und Zeichenpaare wie „rn“ und „m“ oder „1“ und „l“ verschwimmen. 200 dpi reicht für große, saubere Schrift; für Kleingedrucktes, Fußnoten und Formulare bleib bei 300.
• Die Seite gerade auflegen. Eine leichte Schräglage verkraftet die Erkennung, aber jede Zeile, die schief läuft, erhöht das Risiko, dass Wörter aus zwei Zeilen zusammengezogen werden. Leg das Blatt an die Kante des Scanners an.
• Sauberer Kontrast. Schwarz auf Weiß ist ideal. Graustufen sind meist besser als reines Schwarz-Weiß (1 Bit), weil dünne Striche bei harter Schwelle abreißen. Farbe brauchst du nur, wenn farbige Markierungen wichtig sind.
• Keine Schatten vom Buchrücken. Bei gebundenen Büchern wird der Text zum Falz hin dunkel und gekrümmt. Dort entstehen die meisten Fehler. Drück das Buch flach, scann lieber Einzelseiten, und beim Fotografieren mit dem Handy: Licht von oben, nicht von der Seite.
• Nicht nachschärfen und nicht stark komprimieren. Harte JPEG-Kompression erzeugt Artefakte um die Buchstaben, die die Erkennung stören. Komprimieren kannst du das fertige PDF später noch.

Was am schlechtesten erkannt wird: sehr kleiner Text (Kleingedrucktes unter etwa 7 Punkt), Tabellen und mehrspaltige Layouts. Bei Tabellen liest die OCR die einzelnen Zellen oft richtig, die Zuordnung zu Zeilen und Spalten ist aber nicht garantiert: Beim Kopieren landen Beträge leicht in der falschen Reihenfolge. Handschrift ist kein Fall für eine Dokument-OCR; rechne dort nicht mit brauchbarem Text.

Ein verbreiteter Rat lautet, für OCR möglichst hoch aufzulösen, also mit 600 dpi oder mehr. Für normalen Text bringt das kaum etwas: Die Dateien werden viermal so groß, die Verarbeitung dauert länger, und Papierstruktur und Staub werden gleich mit erfasst. 600 dpi lohnt sich nur bei winziger Schrift. Wenn du nur ein körniges Foto einer Seite hast, kann Bildrauschen entfernen vor dem Zusammenfügen zum PDF helfen. Hochskalieren erfindet bei Text dagegen keine fehlenden Buchstaben: Was im Scan nicht lesbar ist, liest auch die OCR nicht.

Text aus gescanntem PDF erkennen, direkt auf deinem Rechner

Airpic PDF ist eine kostenlose Desktop-App für Mac und Windows, ohne Konto. Die OCR läuft komplett lokal: Das PDF wird nirgendwohin hochgeladen, auch nicht auf die Server von Airpic. Bei Verträgen, Arztbriefen, Steuerbescheiden oder Personalakten ist das der entscheidende Punkt, denn genau solche Dokumente scannt man am häufigsten.

Je nach System arbeitet eine andere Erkennungs-Engine:

• Auf dem Mac nutzt Airpic PDF die Texterkennung, die macOS selbst mitbringt (Apples Vision-Framework). Es ist dieselbe Erkennung, mit der das System Text in Fotos auswählbar macht.
• Unter Windows arbeitet eine Open-Source-Engine (PP-OCR in der Variante für lateinische Schrift), die in der App mitgeliefert wird. Du musst nichts zusätzlich installieren und brauchst keine Internetverbindung.

Welche Sprachen? Ausgelegt ist die Funktion auf Texte in lateinischer Schrift, also auf Deutsch, Englisch und die anderen westeuropäischen Sprachen, einschließlich Umlauten, ß und Akzenten. Für Schriften wie Kyrillisch, Griechisch, Arabisch, Hebräisch oder chinesische und japanische Zeichen ist die OCR in Airpic PDF nicht gebaut; plane dafür ein anderes Werkzeug ein.

Zwei praktische Hinweise zur App: Die Oberfläche ist derzeit auf Spanisch, die Schaltfläche heißt aber schlicht „OCR“. Und die Installationsdateien sind noch nicht mit einem Entwicklerzertifikat signiert. Beim ersten Start meldet sich deshalb Gatekeeper auf dem Mac oder SmartScreen unter Windows. Auf der Seite zu Airpic PDF steht, wie du die Datei prüfst und die App trotzdem öffnest, ohne die Schutzfunktion abzuschalten.

Warum lokal statt online? Bei einer Online-OCR lädst du das ganze Dokument auf einen fremden Server. Das geht schnell, aber du weißt nicht, wie lange es dort liegt. Lokal stellt sich diese Frage gar nicht erst, und die Dateigröße spielt keine Rolle: Auch ein Scan mit 200 Seiten bleibt auf deiner Festplatte.

PDF durchsuchbar machen und das Ergebnis prüfen

Eine OCR ist nie fehlerfrei, und die Fehler verteilen sich nicht gleichmäßig. Gewöhnliche Wörter in sauberem Fließtext werden bei einem guten Scan sehr zuverlässig erkannt, weil die Engine auch den Zusammenhang nutzt. Schwächer ist sie genau dort, wo es keinen Zusammenhang gibt:

• Eigennamen: Familiennamen, Straßennamen, Firmennamen. Aus „Möller“ wird leicht „Moller“, aus „Kühn“ ein „Kuhn“.
• Zahlen: 0 und O, 1 und l, 5 und S, 8 und B. Bei IBANs, Rechnungsnummern und Beträgen ist ein einziges falsches Zeichen ein echtes Problem.
• Datumsangaben: Punkte zwischen Tag, Monat und Jahr gehen bei schwachem Druck gern verloren; aus „12.03.2021“ wird dann „1203.2021“.

Der schnelle Test: Such nach einem Wort, von dem du sicher weißt, dass es auf einer bestimmten Seite steht, am besten ein Name oder eine Zahl. Öffne das gespeicherte PDF in einem beliebigen Reader, drück Strg+F oder ⌘F und tipp das Wort ein. Springt die Markierung an die richtige Stelle, sitzt die Textebene. Mach das mit drei Stichproben: einer aus dem Fließtext, einer aus einer Tabelle und einer von einer Seite, die schief oder blass gescannt ist. So findest du die Schwachstellen in einer Minute statt in einer Stunde Korrekturlesen.

Ein zweiter Test: Markier einen ganzen Absatz, kopier ihn und füg ihn in einen Texteditor ein. Dann siehst du, ob Zeilenumbrüche und Reihenfolge stimmen. Bei mehrspaltigen Seiten merkst du in diesem Moment, ob die Spalten sauber nacheinander gelesen wurden.

Wenn du ein Dokument nur archivieren und später wiederfinden willst, reicht das meistens. Wenn du daraus zitieren, Zahlen weiterverarbeiten oder es rechtlich verwenden willst, prüf jede übernommene Zahl am Bild. Die Textebene ist eine Suchhilfe, kein beglaubigtes Abbild.

Übrigens wird ein durchsuchbares PDF durch die Textebene kaum größer, denn Text wiegt fast nichts. Groß machen den Scan die Bilder. Wenn du ihn per E-Mail verschicken willst, hilft PDF komprimieren; Hintergründe dazu stehen in PDF verkleinern für den E-Mail-Versand. Komprimiere aber erst nach der OCR, nicht davor.

Schritt für Schritt: OCR in Airpic PDF und danach in Word bearbeiten

So machst du aus einem Scan ein durchsuchbares Dokument und, falls du den Text ändern musst, eine Word-Datei:

1. App öffnen und PDF laden. Öffne Airpic PDF und zieh die Datei ins Fenster, oder öffne sie per Rechtsklick mit „Öffnen mit“. Links siehst du die Seitenvorschau.
2. Seiten prüfen. Liegt eine Seite quer oder auf dem Kopf, dreh sie zuerst. Die Erkennung arbeitet auf der Seite so, wie sie angezeigt wird; eine um 90 Grad gedrehte Seite liefert Unsinn. Leere Rückseiten kannst du löschen, das spart Zeit.
3. Auf „OCR“ klicken. Standardmäßig werden alle Seiten verarbeitet. Wenn nur ein Teil gescannt ist (etwa eine eingefügte Anlage in einem sonst digitalen PDF), wähl vorher nur diese Seiten aus. Seiten, die schon Text haben, brauchen keine OCR.
4. Warten. Jede Seite wird einzeln erkannt; bei langen Dokumenten dauert das entsprechend. Die Seiten sehen danach unverändert aus, und genau so soll es sein.
5. Speichern. Speichere am besten unter neuem Namen, damit du den Original-Scan behältst.
6. Testen. Öffne die neue Datei in deinem gewohnten Reader und mach die Stichprobe mit Strg+F oder ⌘F aus dem vorigen Abschnitt.
7. Optional: nach Word exportieren. Wenn du den Text bearbeiten musst, klick auf „Exportar“ (Exportieren) und dann auf „Word (.docx)“. Die .docx enthält den erkannten Text mit Absätzen und, soweit möglich, Tabellen. PDF in Word umwandeln funktioniert bei Scans erst nach der OCR; ohne Textebene gäbe es nichts zu exportieren. Unter „Exportar“ findest du auch reinen Text (.txt), wenn dir die Formatierung egal ist.

Rechne beim Word-Export damit, dass komplexe Layouts mit Spalten oder Kästen leicht verrutschen. Bei einem Brief oder einem Vertrag mit Fließtext passt das Ergebnis meist direkt; ein Formular mit vielen Feldern baust du schneller neu, als du die exportierte Version reparierst. Wenn du das Formular nur ausfüllen willst, ist PDF-Formular ausfüllen der bessere Weg.

Den Download und alle Schritte findest du auf der Seite PDF-OCR kostenlos: Scan durchsuchbar machen.

FAQ

Weiterlesen