PDF OCR

Der Ordner mit den eingescannten Verträgen enthält dreißig Dateien, und die Suche nach einer Vertragsnummer liefert nichts, weil in einem Scan keine Buchstaben gespeichert sind, sondern Bilder von Buchstaben. Texterkennung sieht sich diese Bilder an und schreibt auf, welche Zeichen darauf zu erkennen sind. Danach lässt sich das Dokument durchsuchen und der Text herauskopieren.

Eine wichtige Einschränkung vorweg: Zur Auswahl stehen Koreanisch mit Englisch, Englisch allein, Koreanisch allein, Japanisch mit Englisch sowie vereinfachtes Chinesisch mit Englisch, Deutsch ist nicht darunter; bei Japanisch und Chinesisch ist die .txt das verlässliche Ergebnis, weil die Textebene der durchsuchbaren PDF in einer koreanisch-lateinischen Schrift gesetzt wird. Deutschsprachige Vorlagen mit Umlauten, ß und deutschen Eigennamen werden deshalb nicht zuverlässig erfasst, das Ergebnis ist für solche Dokumente meist nicht brauchbar. Wo die Sprache passt, hängt alles an der Vorlage: etwa 300 dpi, gerade eingelegt, gleichmäßig ausgeleuchtet und mit klarem Kontrast. Abfotografierte Seiten mit Schatten, Wölbung und schräger Perspektive liefern deutlich schlechtere Ergebnisse als ein echter Flachbettscan, und Handschrift wird gar nicht gelesen.

Sie erhalten immer zwei Dateien, den reinen Text und eine durchsuchbare PDF, in der jede Seite als Bild mit rund 144 dpi neu gerendert ist und die erkannten Zeichen unsichtbar darüberliegen; das Dokument sieht also weiterhin aus wie der Scan, ist aber nicht mehr die Originaldatei. Enthält die Datei bereits echten Text, ist die einfache Textausgabe genauer, schneller und fehlerfrei. Die Erkennung läuft vollständig im Browser auf Ihrem Gerät, das Dokument wird nicht an einen Cloud-Dienst zur Auswertung geschickt, was bei Ausweisen, Verträgen und Patientenunterlagen den Unterschied macht.