Mehrseitige Dokumente per OCR verarbeiten: Stapelverarbeitung richtig nutzen

Ein einzelnes Bild durch OCR zu schicken ist einfach. Die eigentliche Zeitersparnis entsteht jedoch, wenn ganze Dokumentenstapel automatisch verarbeitet werden: ein mehrseitiger Vertrag, ein Ordner mit zwanzig Rechnungen oder ein gescanntes Buch mit Hunderten von Seiten.

Dokumententypen bei der Stapelverarbeitung

Mehrseitige Dokumente kommen in zwei Grundformen vor, die unterschiedlich behandelt werden.

Mehrseitige PDFs sind die häufigere Form bei digitalen Workflows. Ein Scan-zu-PDF-Workflow erzeugt oft ein einziges PDF mit vielen Seiten. OCR-Tools müssen dieses PDF zuerst in einzelne Bilder zerlegen, dann jede Seite verarbeiten und schließlich die Ergebnisse in der richtigen Reihenfolge zusammenführen.

Bildstapel bestehen aus einzelnen Dateien, typischerweise JPEG oder PNG, die zu einem Dokument zusammengehören. Das passiert beim manuellen Scannen Seite für Seite oder beim Fotografieren eines Dokuments mit dem Smartphone. Hier ist die Reihenfolge der Dateien entscheidend für ein sinnvolles Ergebnis.

Vorbereitung: So bereitest du den Stapel vor

Gute Vorbereitung spart nachgelagerten Korrekturaufwand.

Dateinamen konsequent nummerieren. Betriebssysteme sortieren Dateien alphabetisch, was bei Namen wie “Seite1”, “Seite10”, “Seite2” zu falscher Reihenfolge führt. Die korrekte Form ist “Seite01”, “Seite02”, …, “Seite10” mit führenden Nullen, die der Stelle des höchsten Wertes entsprechen.

Einheitliche Auflösung und Format. Wenn Seiten aus verschiedenen Quellen stammen, können unterschiedliche Auflösungen oder Ausrichtungen die Erkennungsqualität ungleichmäßig machen. Idealerweise stammen alle Seiten vom selben Scanner oder Gerät und wurden mit denselben Einstellungen erfasst.

Leere Seiten entfernen. Leere Seiten verlängern die Verarbeitungszeit unnötig. Bei einem zweiseitig gescannten Dokument entstehen oft Rückseiten ohne Inhalt. Diese vorab zu entfernen beschleunigt den Prozess und macht das Ergebnis übersichtlicher.

Verarbeitungsreihenfolge und Ausgabestruktur

Bei der Stapelverarbeitung entstehen zwei grundlegende Ausgabestrukturen.

Zusammengeführter Text kombiniert alle Seiten in einem einzigen Textblock. Das ist praktisch, wenn das gesamte Dokument als Ganzes durchsucht oder weiterverarbeitet werden soll. Ein Vertrag, der als ein zusammenhängender Text vorliegt, kann vollständig per Textsuche nach bestimmten Klauseln durchsucht werden.

Seitenweise Ausgabe trennt den Text nach Seiten, oft mit Seitenmarkierungen oder als separate Dateien. Das ist sinnvoll, wenn die Seitenstruktur für die weitere Verarbeitung relevant ist, zum Beispiel wenn Seitenangaben in Zitaten erhalten bleiben sollen.

Qualitätssicherung bei großen Stapeln

Bei kleinen Dokumenten ist eine vollständige manuelle Prüfung möglich. Bei Stapeln mit vielen Seiten ist das unrealistisch. Folgende Strategien helfen bei der Qualitätskontrolle.

Stichprobenprüfung: Nicht jede Seite prüfen, sondern gezielt problematische Seiten identifizieren. Seiten mit vielen Zahlen, Tabellen oder ungewöhnlichen Schriften sind fehleranfälliger als Fließtext.

Konfidenzwerte nutzen: Viele OCR-Engines geben für jedes erkannte Wort einen Konfidenzwert zurück, der angibt, wie sicher die Engine bei der Erkennung ist. Wörter mit niedrigem Konfidenzwert sind Kandidaten für manuelle Überprüfung. Nicht alle Tools stellen diese Werte in der Benutzeroberfläche dar, aber professionelle Software und APIs machen diese Information zugänglich.

Reguläre Ausdrücke für kritische Felder: Wenn bekannt ist, dass ein Dokument Felder wie IBAN, Datum oder Beträge enthält, können einfache Musterprüfungen (Reguläre Ausdrücke) automatisch identifizieren, ob diese Felder plausible Werte enthalten.

Besonderheiten bei PDFs mit Textlayer

Nicht alle PDFs benötigen OCR. Digitale PDFs, die direkt aus einem Textverarbeitungsprogramm oder einer Layoutsoftware erzeugt wurden, enthalten bereits einen Textlayer. Das ist der Text, den du im PDF-Viewer markieren und kopieren kannst.

Scans und gescannte PDFs hingegen enthalten nur Bilder von Text, keinen echten Textlayer. Das Unterscheidungsmerkmal: Kann der Text im PDF-Viewer markiert und kopiert werden? Wenn ja, ist kein OCR nötig. Wenn der Cursor beim Klicken in den Text springt oder eine Lupe erscheint, handelt es sich um ein Scan-PDF ohne Textlayer.

Einige Workflows erzeugen PDFs mit überlagertem Textlayer: Der Scan wird als Hintergrundbild behalten, darüber wird der erkannte Text als unsichtbarer Layer gelegt. Das ermöglicht das Durchsuchen des Dokuments, während das ursprüngliche Erscheinungsbild erhalten bleibt. Das Tool erzeugt reinen Textoutput ohne Bildlayer.

Spezialfall: Bücher und lange Dokumente

Bücher, Berichte oder Akten mit hunderten Seiten übersteigen die praktischen Grenzen browserbasiierter Verarbeitung. Für solche Aufgaben empfehlen sich Desktop-Tools mit Stapelverarbeitungsfunktion oder eine Skriptlösung mit Tesseract auf der Kommandozeile.

Ein einfaches Shell-Skript kann einen Ordner mit Bilddateien automatisch durch Tesseract schicken und die Ausgaben zusammenführen. Für technisch versierte Nutzer ist das die flexibelste Lösung.

Fazit

Stapelverarbeitung mit OCR spart erheblich Zeit gegenüber der manuellen Texterfassung. Der Schlüssel liegt in der Vorbereitung: Dateien korrekt benennen, einheitliche Qualität sicherstellen und leere Seiten entfernen. Das Tool eignet sich für Dokumente mittlerer Größe direkt im Browser. Für sehr große Stapel ist eine desktop- oder skriptbasierte Lösung die bessere Wahl.