Gescannte PDFs in Text umwandeln

Gescannte PDFs sind für Computer zunächst nichts weiter als Bilder. Der enthaltene Text lässt sich weder suchen noch kopieren noch weiterverarbeiten. Genau hier kommt die optische Zeichenerkennung ins Spiel: Sie analysiert das Bild und überführt die sichtbaren Zeichen in echten, bearbeitbaren Text.

Warum gescannte PDFs ein Sonderfall sind

Ein normales PDF enthält eingebetteten Text mit Metadaten zu Schriftart, Größe und Position. Ein gescanntes PDF hingegen speichert jede Seite als Rasterbild. Wer versucht, Text darin zu markieren, scheitert, denn es gibt schlicht keinen Text auf Textebene. Das macht gescannte PDFs für viele Workflows nutzlos, selbst wenn ihr Inhalt wertvoll ist.

Das betrifft Verträge aus den 1990er Jahren, archivierte Rechnungen, behördliche Schreiben, handschriftlich ausgefüllte Formulare und viele weitere Dokumente, die im Laufe der Digitalisierung von Akten entstanden sind.

Bildqualität als entscheidender Faktor

Bevor ein OCR-Werkzeug ans Werk geht, lohnt es sich, die Qualität des Ausgangsscans zu prüfen. Die wichtigsten Faktoren sind:

Auflösung: 300 dpi sind der untere Richtwert. Bei sehr kleiner Schrift oder filigranen Zeichensätzen sollten es 400 bis 600 dpi sein. Eine niedrigere Auflösung lässt einzelne Buchstaben verschmelzen oder ausfransen, was die Erkennungsrate senkt.

Kontrast: Helle Schrift auf hellem Untergrund, verblasste Tinte oder schwache Kopien erhöhen die Fehlerquote. Ein guter Scan hat klaren Schwarz-Weiß-Kontrast oder zumindest ein ausreichendes Graustufen-Niveau.

Ausrichtung: Schräg liegende Seiten führen zu fehlerhaft erkannten Wörtern oder Zeilen. Die meisten modernen OCR-Systeme korrigieren eine leichte Schräglage automatisch, bei stark verdrehten Seiten hilft eine manuelle Deskew-Funktion.

Rauschen und Flecken: Staub auf dem Scannerglас, Wasserflecken auf dem Papier oder Druckfehler im Original erzeugen Artefakte, die als falsche Zeichen interpretiert werden.

Schritt für Schritt: Text aus einem gescannten PDF extrahieren

1. PDF in Einzelseiten aufteilen

Viele OCR-Tools arbeiten besser mit einzelnen Bilddateien als mit mehrseitigen PDFs. Tools wie pdftoppm oder PDF-Viewer-Exportfunktionen können jede Seite als PNG oder TIFF exportieren. TIFF mit 300 dpi ist für OCR besonders geeignet, da das Format verlustfrei komprimiert.

2. Bild vorverarbeiten

Eine Vorverarbeitungsschicht verbessert die Ergebnisse erheblich. Dazu gehören:

• Gradberichtigung (Deskewing)
• Kontrastanhebung
• Rauschreduktion (Denoising)
• Binarisierung (Bild in reines Schwarz-Weiß umwandeln)

Werkzeuge wie ImageMagick oder ScanTailor (speziell für Buchscans) leisten diese Aufgabe zuverlässig.

3. OCR ausführen

Hier kommt das eigentliche Erkennungssystem zum Einsatz. Das Tool auf dieser Seite ermöglicht es, Bilder direkt hochzuladen und den erkannten Text zu exportieren. Wer gescannte PDFs verarbeiten möchte, wandelt die Seiten zunächst in Bilder um und lädt diese dann hoch.

4. Ergebnis prüfen und korrigieren

Kein OCR-System ist fehlerfrei. Besonders Sonderzeichen, Zahlen, die wie Buchstaben aussehen (0 vs. O, 1 vs. l), oder ungewöhnliche Schriftarten führen zu Fehlern. Eine abschließende Sichtkontrolle, idealerweise mit dem Original nebeneinander, ist bei wichtigen Dokumenten unverzichtbar.

Spezialfall: Mehrsprachige PDFs

Enthält ein Dokument Text in mehr als einer Sprache, sollte das OCR-System entsprechend konfiguriert werden. Viele Systeme erlauben die Auswahl mehrerer Erkennungssprachen gleichzeitig. Das vermindert Fehler bei fremdsprachigen Namen, Fachbegriffen oder Zitaten.

Spezialfall: Handschrift

Handschriftliche Texte in gescannten PDFs sind für klassische OCR eine besondere Herausforderung. Die Erkennungsrate liegt deutlich unter der für gedruckten Text. Moderne KI-basierte Systeme verbessern sich in diesem Bereich, aber für präzise Ergebnisse ist manuelle Nacharbeit oft unvermeidbar.

Ergebnis weiternutzen

Der extrahierte Text kann direkt in Textverarbeitungsprogramme übernommen, in Datenbanken eingepflegt oder für die Volltextsuche indexiert werden. Bei der Langzeitarchivierung empfiehlt sich das Format PDF/A, das Text und Schriftarten normiert einbettet und so die Lesbarkeit über Jahrzehnte sichert.

Wer regelmäßig große Mengen gescannter PDFs verarbeitet, profitiert von automatisierten Pipelines, bei denen Bildvorverarbeitung, OCR und Textspeicherung ohne manuellen Eingriff ablaufen. Für einzelne Dokumente reicht das Tool aus, das du direkt im Browser nutzen kannst.

Typische Fehlerquellen und Lösungen

Problem	Ursache	Lösung
Buchstabenverwechslungen	Schlechter Kontrast	Kontrast vor OCR anheben
Zeilensprünge fehlen	Schräge Seite	Deskewing aktivieren
Sonderzeichen falsch	Unbekannte Schriftart	Sprache korrekt einstellen
Leere Ausgabe	Zu niedrige Auflösung	Scan mit mindestens 300 dpi wiederholen

Die Kombination aus sorgfältiger Dokumentenvorbereitung und einem zuverlässigen OCR-Werkzeug liefert in den meisten Fällen brauchbare Ergebnisse. Nur bei extremen Qualitätsproblemen im Original stößt auch gute Software an ihre Grenzen.