Das Doppelseitenproblem beim Buchscan: Warum es entsteht und was man tut

Wenn Sie ein gescanntes Buch-PDF öffnen und auf jedem Blatt zwei Seiten sehen, ist das kein Fehler – es ist die natürliche Folge davon, dass der Scanner genau das speichert, was er sieht. In diesem Beitrag erklären wir, warum das geschieht, wie PDF Seitengrößen definiert und was das Teilen im Inneren der Datei genau verändert.

Der Scanner speichert, was er sieht

Wenn Sie ein Buch aufschlagen und auf das Glas eines Flachbettscanners legen, liest der Scankopf die gesamte Glasfläche in einem einzigen Durchgang. Weil das Buch aufgeschlagen dort liegt, werden die beiden Seiten zu einem einzigen Bild. Die Scansoftware schließt nicht darauf, dass "hier zwei logische Seiten liegen"; sie speichert die rechteckige Fläche vor sich Pixel für Pixel.

Wird dieses Bild in ein PDF eingesetzt, entsteht folgende Struktur:

• Seitenzahl = Anzahl der Scans = Hälfte der physischen Buchseiten.
• Seitengröße = Größe der Scanfläche, meist A4 quer oder breiter.
• Inhalt = ein einziges großes Bildobjekt, so platziert, dass es die Seite genau ausfüllt.

Dasselbe Ergebnis zeigt sich bei Kopierern, bei Buchscan-Apps fürs Telefon und in alten Zeitschriftenarchiven. Manche digitalen Archive tun das sogar absichtlich: Um das Blättergefühl nachzuahmen, präsentieren sie zwei Seiten nebeneinander.

Wie PDF die Seitengröße definiert

Um zu verstehen, was das Teilen bewirkt, muss man die Seitengeometrie von PDF kennen. In jedem Seitenobjekt finden sich mehrere Rechteckdefinitionen:

| Box | Bedeutung | |---|---| | MediaBox | Die physische Medienabmessung der Seite – das Maß des Druckpapiers | | CropBox | Der Bereich, den das Betrachtungsprogramm auf dem Bildschirm zeigt | | BleedBox | Die Anschnittgrenze für den Druck | | TrimBox | Die endgültige Seitengröße nach dem Beschnitt | | ArtBox | Der Bereich mit dem eigentlichen Inhalt |

Im Alltag sind die ersten beiden wichtig. Die MediaBox ist auf jeder Seite Pflicht und gibt die volle Seitengröße an. Die CropBox ist optional; ist sie definiert, zeigt das Betrachtungsprogramm die Seite auf dieses Rechteck zugeschnitten, andernfalls verwendet es die MediaBox.

Der entscheidende Punkt: Die CropBox löscht keine Inhalte. Bilddaten außerhalb der Box bleiben in der Datei erhalten, sie sind lediglich unsichtbar. Zu glauben, man habe durch das Zuschneiden eines PDFs vertrauliche Informationen verborgen, ist deshalb ein gefährlicher Irrtum – wer die Zuschneidebox erweitert, sieht die verborgenen Inhalte wieder.

Was das Teilen im Inneren bewirkt

Es gibt zwei verschiedene Umsetzungen, ein Blatt in zwei Teile zu teilen, und welche verwendet wird, beeinflusst das Ergebnis.

Methode 1: Teilen über die Zuschneidebox. Das Werkzeug erzeugt zwei neue Seitenobjekte, die beide denselben Seiteninhalt referenzieren. Die CropBox der ersten Seite wird auf die linke Hälfte der ursprünglichen Fläche gesetzt, die der zweiten auf die rechte Hälfte. Die Bilddaten bleiben völlig unangetastet.

• Vorteil: äußerst schnell, der Qualitätsverlust liegt garantiert bei null.
• Nachteil: Die Dateigröße sinkt nicht, sie wächst sogar leicht. Weil beide Seiten auf das vollständige Bild verweisen, werden die Bilddaten einmal gespeichert, aber zweimal genutzt.

Methode 2: Das Bild physisch zerschneiden. Das Werkzeug dekodiert das Bild der Seite, schneidet es mittig durch, erzeugt zwei neue Bilder und platziert jedes auf seiner eigenen Seite.

• Vorteil: Jede Seite trägt nur ihre eigenen Daten, es bleiben keine verborgenen Inhalte zurück.
• Nachteil: Das Bild muss unter Umständen neu kodiert werden. Ist die Quelle ein JPEG und wird sie erneut als JPEG gespeichert, kommt eine zweite verlustbehaftete Kodierung hinzu.

In der Praxis nutzen die meisten Werkzeuge die erste Methode, weil sie schnell und verlustfrei ist. Wollen Sie die Dateigröße senken, ist es die bessere Strategie, die Datei nach dem Teilen durch ein Komprimierungswerkzeug zu schicken.

Warum die Mitte nicht immer stimmt

Das Teilungswerkzeug teilt die Seite geometrisch exakt in der Mitte: Es halbiert die Breite der CropBox und setzt die Schnittlinie dorthin. Wo der Inhalt liegt und in welchem Pixel der Buchrücken erscheint, spielt keine Rolle.

Ist der Scan symmetrisch, funktioniert das perfekt. Im wirklichen Leben passiert dagegen Folgendes:

• Das Buch wird nicht genau mittig aufgelegt; der Bund liegt einige Zentimeter neben der echten Mitte.
• Bei dick gebundenen Büchern liegen die Seiten nicht flach auf dem Glas, und die Breiten links und rechts fallen ungleich aus.
• Ist die Scanfläche breiter als das Buch, bleibt an einer Kante ein weißer Streifen, und die Mitte verschiebt sich.
• Die Seite liegt leicht schief; die Bundlinie verläuft nicht senkrecht, sondern in leichtem Winkel.

Die Lösung besteht darin, vor dem Teilen zuzuschneiden: überschüssige Ränder entfernen, den Bund in die tatsächliche Mitte rücken und erst danach teilen. Bei schiefen Scans sind die softwareseitigen Möglichkeiten begrenzt; bei deutlicher Schieflage ist es der sauberste Weg, den Scan zu wiederholen.

Die Frage der Leserichtung

Das Teilungswerkzeug ordnet die geteilten Seiten von links nach rechts: Die linke Hälfte von Blatt 1 wird zur neuen Seite 1, die rechte Hälfte zur neuen Seite 2. Für Sprachen mit lateinischem Alphabet ist das richtig.

Bei von rechts nach links gelesenen Dokumenten – arabischen und persischen Büchern, japanischen Mangas – muss die rechte Hälfte zuerst kommen. Das Werkzeug kann das dem Inhalt nicht entnehmen; Sie müssen die Reihenfolge daher nach dem Teilen mit einem Werkzeug zur Seitenorganisation korrigieren. Alternativ unterstützen manche E-Reader einen Lesemodus von rechts nach links und erlauben Ihnen, die Datei ohne Korrektur zu lesen.

Warum der Bundschatten bleibt

Dort, wo die beiden Buchseiten zusammenlaufen, liegt das Papier nicht am Glas an, und es entsteht ein dunkler Streifen. Das sind im Scan echte Pixeldaten – das Teilen entfernt sie nicht, es zerlegt sie nur in zwei Teile. Am Ende bleibt an der rechten Kante der linken Seite und an der linken Kante der rechten Seite ein Schattenstreifen.

Zum Beseitigen ist nach dem Teilen ein Zuschnitt nötig, doch es gibt ein Asymmetrieproblem: Der Schatten liegt auf ungeraden Seiten an der einen und auf geraden Seiten an der anderen Kante. Weil ein Zuschnitt auf alle Seiten gleich angewendet wird, gelingt eine vollständige Bereinigung nur, indem man ungerade und gerade Seiten getrennt bearbeitet und anschließend zusammenführt. Bei den meisten Dokumenten lohnt sich das nicht; ein symmetrischer Zuschnitt von wenigen Millimetern entfernt den größten Teil des Schattens.

Der Zusammenhang mit OCR

Wollen Sie in einem gescannten Dokument eine Textsuche durchführen, müssen Sie eine OCR anwenden. Die Reihenfolge ist wichtig: erst teilen, dann OCR.

Der Grund: OCR-Engines erkennen die Textblöcke einer Seite und ordnen sie in Lesereihenfolge. Auf einem Blatt mit Doppelseiten gibt es zwei Blockspalten, und die Engine hält sie mitunter für ein einziges zweispaltiges Layout, mitunter liest sie die Zeilen horizontal von links nach rechts und verschränkt so den Text beider Seiten. Der ausgegebene Text wird zu einem sinnlosen Gemisch wie "Es war einmal ein König, der am nächsten Tag zur Versammlung".

Bei geteilten Einzelseiten besteht diese Mehrdeutigkeit nicht; jede Seite ist für sich eine ganz normale Seite.

Zusammengefasst

Das Doppelseitenproblem entsteht, weil der Scanner den erfassten Bereich als ein einziges Bild speichert. In PDF wird die Seitengröße über die Rechtecke MediaBox und CropBox definiert, und das Teilen arbeitet in der Regel über die Anpassung dieser Boxen – deshalb ist es schnell und verursacht keinen Qualitätsverlust, verkleinert die Datei aber nicht. Weil das Teilen die geometrische Mitte nutzt, ist bei asymmetrischen Scans zunächst ein Zuschnitt nötig; der Bundschatten verschwindet durch das Teilen nicht; bei von rechts nach links gelesenen Dokumenten muss die Reihenfolge von Hand korrigiert werden. Und wenn Sie eine OCR planen, muss das Teilen unbedingt vor der OCR erfolgen.