Wird das Originalbild bei einem PDF mit per OCR hinzugefügter Textebene beeinträchtigt?

Nein. Die OCR-Verarbeitung erhält das Bild der gescannten Seite unverändert und fügt lediglich eine unsichtbare Textebene hinter dem Bild hinzu. Das heißt, das PDF sieht weiterhin gleich aus, aber Sie können nun darin suchen sowie Text auswählen und kopieren. Bildqualität und Seitenlayout ändern sich nicht.

Funktioniert OCR korrekt, wenn mein gescanntes Dokument deutsche Sonderzeichen (ä, ö, ü, ß) enthält?

Bei Verwendung eines OCR-Tools mit deutscher Sprachunterstützung werden diese Zeichen korrekt erkannt. Bei allgemeinen, nur auf Englisch trainierten Engines werden Buchstaben wie ä, ö, ü, ß dagegen häufig in falsche Zeichen umgewandelt. Deshalb ist bei deutschsprachigen Dokumenten sicherzustellen, dass das Tool das deutsche Sprachpaket unterstützt, für sich genommen der entscheidendste Faktor für die Genauigkeit.

Wie zuverlässig ist das OCR-Ergebnis bei mehrseitigen und niedrig aufgelösten Scans?

Die Seitenzahl beeinflusst die Genauigkeit von OCR nicht, da jede Seite einzeln verarbeitet wird; entscheidend ist die Scanqualität. Bei Scans mit 200 dpi oder mehr, klar und gerade gescannt, ist das Ergebnis sehr genau. Bei schräg liegenden, schattigen oder sehr niedrig aufgelösten Scans können manche Wörter falsch erkannt werden; in diesem Fall ist ein erneutes Scannen des Originaldokuments in besserer Qualität, sofern verfügbar, die zuverlässigste Lösung.

Gescanntes PDF durchsuchbar machen: OCR, manuelle Abschrift oder Desktop-Programm?

Sie haben einen gescannten Vertrag, eine alte Rechnung oder einen aus der Bibliothek fotokopierten Artikel vor sich. Die Datei ist ein PDF, aber Sie können kein einziges Wort darin auswählen, im Suchfeld finden Sie nichts, und Kopieren-Einfügen funktioniert nicht. Denn dieses PDF ist eigentlich keine Textdatei, sondern ein Foto. Der Scanner oder die Handykamera hat die Seite als Bild gespeichert und dieses Bild in eine PDF-Hülle gepackt; aus Sicht des Computers gibt es dort keine "Buchstaben", sondern nur Pixel.

Es gibt mehrere Möglichkeiten, dieses Problem zu lösen. Welche für Sie sinnvoll ist, hängt von der Länge des Dokuments, davon, wie oft Sie diese Aufgabe erledigen werden, und davon ab, wie fehlerfrei das Ergebnis sein muss.

Warum ein gescanntes PDF eine "tote" Datei ist

Wenn ein PDF Text enthält, weiß der Computer, aus welchen Buchstaben dieser Text besteht. Bei einer gescannten Seite gibt es diese Information nicht; es gibt nur eine Abfolge farbiger oder schwarz-weißer Punkte. Deshalb:

Können Sie nicht mit Strg+F suchen
Können Sie den Text nicht auswählen und kopieren
Können Bildschirmleser (für sehbehinderte Nutzer) die Seite nicht vorlesen
Erhalten Sie beim Versuch, das Dokument nach Word zu exportieren und zu bearbeiten, nur ein Bild

OCR (optische Zeichenerkennung) analysiert die Formen in diesem Bild, erkennt "dies ist ein A, dies ist ein K" und platziert hinter dem Bild eine unsichtbare, aber auswählbare Textebene. Das Erscheinungsbild der Seite ändert sich überhaupt nicht, sie wird nur nun durchsuchbar und kopierbar.

Option 1: Manuelle Neuabschrift

Dies ist die älteste Methode: das Dokument ansehen und den Inhalt in Word oder ein ähnliches Programm neu eintippen. Für ein einseitiges Dokument mit wenigen Absätzen kann das vernünftig sein; sogar in Fällen, in denen OCR an seine Grenzen stößt (wie bei Handschrift), ist dies manchmal die einzig realistische Option.

Aber in der Praxis hat es ernsthafte Grenzen. Einen zehnseitigen Vertrag von Hand abzuschreiben dauert Stunden, das Risiko von Tippfehlern ist hoch, und das ursprüngliche Seitenlayout (Tabellen, Klauselnummern, Einrückungen) zu erhalten ist nahezu unmöglich. Zudem liefert Ihnen diese Methode nur reinen Text; sie macht das gescannte PDF selbst nicht durchsuchbar, sondern Sie erzeugen eine separate Datei. Manuelle Abschrift sollte nur bei sehr kurzen und wenigen Dokumenten gewählt werden, in Fällen, in denen OCR überhaupt nicht funktioniert (wie bei sehr unleserlicher Handschrift).

Option 2: Auf dem Desktop installierte OCR-Programme

Auf dem Computer installierte OCR-Software ist besonders in Unternehmensumgebungen und bei sehr hohem Scanvolumen weiterhin eine bevorzugte Option. Ihre Stärken: keine Internetverbindung erforderlich, sensible Dokumente verlassen niemals Ihren Computer, sowie Funktionen zur Stapelverarbeitung (automatisches Einreihen Tausender Seiten in eine Warteschlange).

Aber es gibt auch einen Preis: In der Regel ist eine kostenpflichtige Lizenz erforderlich, Installation und Update-Verwaltung sind nötig, es funktioniert nur auf dem Computer, auf dem es installiert ist (kein Zugriff vom Handy oder einem anderen Gerät), und meist müssen Sie das gesamte Programm lernen, selbst für ein einzelnes Dokument. Für gelegentliche Bedürfnisse mit wenigen Dokumenten kann sich diese Investition unverhältnismäßig anfühlen.

Option 3: Online-PDF-Tools

Im Browser laufende OCR-Tools ermöglichen es Ihnen, ohne Installation eine Datei hochzuladen und innerhalb weniger Minuten ein durchsuchbares PDF herunterzuladen. Ob Windows, Mac, Linux oder ein Chromebook spielt keine Rolle; nutzbar von jedem Gerät mit Browser. Keine Installation, keine Lizenzverwaltung, kein Update-Ärger.

Der wichtigste Knackpunkt dieses Ansatzes ist die Sprachunterstützung. Damit Buchstaben wie ä, ö, ü, ß in Wörtern eines deutschen Dokuments korrekt erkannt werden, muss die OCR-Engine den deutschen Zeichensatz unterstützen. Wenn Sie einen deutschen Vertrag mit einer nur für Englisch optimierten Engine scannen lassen, kann ein Wort wie "Änderung" zu "Anderung" oder einer bedeutungslosen Zeichenfolge werden — was die Zuverlässigkeit von Suche und Text von vornherein beeinträchtigt.

Online-Tools haben auch Grenzen: Bei sehr großen Dateien (Hunderte von Seiten) sind Sie auf eine Internetverbindung angewiesen, und bei höchst vertraulichen Dokumenten (zum Beispiel aufgrund unternehmensinterner Sicherheitsrichtlinien) möchte man womöglich nicht, dass die Datei überhaupt an einen Server geht. In solchen Fällen ist eine unternehmenseigene Desktop-Lösung oder eine lokale/Offline-Option besser geeignet.

In welcher Situation was sinnvoll ist

Gelegentlich, ein gescanntes Dokument mit wenigen Seiten (Rechnung, Antrag, alter Artikel): Ein Online-OCR-Tool ist der schnellste und unaufwendigste Weg. Hochladen, warten, herunterladen.
Eine Organisation, die regelmäßig Hunderte/Tausende Seiten verarbeitet: Die Investition in Desktop-OCR-Software amortisiert sich mit der Zeit, Stapelverarbeitung und Automatisierung bieten hier Vorteile.
Hochsensible Dokumente, die nicht nach außen gelangen dürfen: Eine lokale/Offline-Lösung oder die eigene Infrastruktur der Organisation sollte bevorzugt werden.
Ein einzelner kurzer Absatz oder unleserliche Handschrift: Manchmal kann manuelles Neuabschreiben schneller sein, als sich mit der Fehlerkorrektur von OCR herumzuschlagen.

Faktoren, die die Genauigkeit nach OCR beeinflussen

Unabhängig davon, welche Methode Sie wählen, hängt die Qualität des Ergebnisses maßgeblich von der Qualität der Quelle ab:

Scanauflösung: 200 dpi und mehr liefert ein klares Ergebnis, niedrige Auflösung erhöht die Fehlerquote.
Seitenwinkel: Bei schräg gescannten Seiten wird die Zeichenerkennung erschwert.
Kontrast: Verblasste Tinte, schattige Fotokopien oder vergilbtes altes Papier erschweren OCR.
Schriftart und Handschrift: Standard-Druckschriften werden mit hoher Genauigkeit erkannt; verzierte Schriftarten oder Handschrift verringern die Genauigkeit.

Nach Abschluss des Vorgangs ist es besonders bei wichtigen Dokumenten (Verträgen, offiziellen Unterlagen) eine gute Gewohnheit, den OCR-Text schnell zu überfliegen und zu überprüfen. OCR ist nicht zu hundert Prozent fehlerfrei, aber bei guter Scanqualität ist die Genauigkeitsrate in der Regel sehr hoch, und das Ziel ist ohnehin nicht eine perfekte Transkription, sondern das Dokument durchsuchbar und kopierbar zu machen.

Zusammenfassend

Es gibt keinen einzig richtigen Weg, ein gescanntes PDF durchsuchbar zu machen; es hängt vom Umfang des Dokuments, dem Datenschutzbedarf und davon ab, wie oft Sie diese Aufgabe erledigen. Für die meisten Nutzer ist bei gelegentlich auftretenden gescannten Dokumenten ein Online-OCR-Tool — besonders eines, das deutsche Sonderzeichen korrekt erkennt — dank fehlender Installation und Geschwindigkeit die praktikabelste Option. Bei hohem Volumen und wiederkehrendem Bedarf behalten Desktop-Lösungen ihren Platz, bei sehr kurzen und sensiblen Texten die manuelle Korrektur.