PDF-Texterkennung (OCR)
Text aus gescannten PDFs per Texterkennung auslesen
PDF hochladen
Dateien hierher ziehen oder klicken zum Durchsuchen
Über PDF-Texterkennung (OCR)
Die PDF-Texterkennung (OCR) liest gescannte oder abfotografierte Seiten und macht daraus Text, den du kopieren, durchsuchen und weiterverwenden kannst. Jede Seite wird im Browser als Bild gerendert und von Tesseract, einer Open-Source-Texterkennung, ausgewertet; das Ergebnis bekommst du als Textdatei mit einem Abschnitt pro Seite oder als durchsuchbare Kopie deines PDFs.
Die Seitenbilder werden in deinem Browser gerendert und dort erkannt; weder der Scan noch der erkannte Text werden an einen Server geschickt. Die OCR-Engine und die Sprachdaten der gewählten Sprache lädt das Werkzeug bei der ersten Nutzung vom eigenen Server der App und behält sie für die Offline-Nutzung; nichts kommt von einem fremden CDN.
PDF-Texterkennung (OCR) verwenden
- Lade das gescannte PDF über „PDF hochladen“. Erkannt wird jede Seite des Dokuments — auch Seiten, die bereits echten Text enthalten, werden als Bild gelesen.
- Wähl unter „Sprache“ die Sprache des Dokuments: Deutsch, Englisch, Französisch, Spanisch, Portugiesisch, Japanisch, Koreanisch, Chinesisch (vereinfacht oder traditionell) oder Arabisch. Die Apps für iPhone, iPad und Android bieten Englisch und Deutsch. Pro Durchlauf ist genau eine Sprache aktiv.
- Wähl das „Ausgabeformat“: „Textdatei (.txt)“ liefert nur den erkannten Text. „Durchsuchbares PDF“ liefert deine Originalseiten, optisch unverändert, mit den erkannten Wörtern als unsichtbarer Textebene darüber — so kannst du in jedem PDF-Reader suchen und Text markieren.
- Klick auf „OCR starten“. Die Fortschrittsanzeige nennt die Seite, die gerade erkannt wird; danach speicherst du das Ergebnis mit „Herunterladen“ oder probierst über „Einstellungen ändern“ eine andere Sprache.
In der Produktion
Drehgenehmigungen, Mietscheine vom Verleih und unterschriebene Motivverträge kommen vom Set oft als Scan oder Handyfoto zurück. Sucht jemand Monate später die Vereinbarung mit einer bestimmten Adresse, hilft ein reines Bild-PDF nicht weiter. Mit der erkannten Textdatei daneben findest du die Stelle per Volltextsuche, ohne eine Zeile abzutippen.
Häufige Fragen
- Bekomme ich ein durchsuchbares PDF mit unsichtbarer Textebene?
- Ja, mit „Durchsuchbares PDF“. Jede Seite behält ihr Aussehen, und die von Tesseract erkannten Wörter liegen unsichtbar an derselben Stelle darüber: Die Suche im PDF-Reader findet sie, und du kannst sie markieren und kopieren. Die Textebene ist nur so gut wie die Erkennung — ein falsch gelesenes Wort findest du nur unter der falschen Schreibweise. Eine Seite, die nicht erkannt werden konnte, bleibt ohne Textebene.
- Warum steckt das Ergebnis voller Fehler?
- Meist passt die gewählte Sprache nicht zum Dokument, der Scan ist zu grob aufgelöst oder das Foto wurde schräg aufgenommen. Das Werkzeug richtet nichts gerade und verbessert keinen Kontrast — ein gerader, scharfer Scan bringt mehr als jede Einstellung hier.
- Erkennt die OCR Handschrift?
- Kaum. Tesseract ist auf gedruckte Schrift trainiert; handschriftliche Notizen auf Dispos oder Lieferscheinen kommen als unzuverlässiger Zeichensalat heraus. Solche Seiten behandelst du besser als Bild und verschlagwortest sie von Hand.
- Wie ist die Textdatei aufgebaut?
- Vor jeder Seite steht eine Trennzeile wie „--- Page 3 ---“, darunter folgt der erkannte Text in Lesereihenfolge. Spalten und Tabellen werden dabei zu einfachen Zeilen, und Formatierungen wie Fettdruck oder Schriftgrößen gehen verloren.