PDF-Texterkennung fügt Seitenzahlen in jeden Absatz ein: Das hilft

Werden Seitenzahlen nach der PDF-Texterkennung in fast jeden Absatz eingefügt, liegt der Fehler meist nicht an der Zahl selbst. Häufig ordnet die Layoutanalyse eine Kopf- oder Fußzeile falsch zu oder der Export setzt wiederkehrende Seitenelemente an ungeeignete Textpositionen. Prüfe zuerst, ob die Zahlen bereits in der erkannten Textebene stehen oder erst beim Export nach Word beziehungsweise in ein anderes Format auftauchen.

Mit einer kurzen Gegenprobe die Fehlerquelle bestimmen

Öffne die erkannte PDF und kopiere einen betroffenen Absatz in einen einfachen Texteditor. Das Ergebnis trennt zwei technisch unterschiedliche Fälle:

• Die Seitenzahl erscheint im kopierten Text: Sie wurde in die Textebene aufgenommen oder durch eine falsche Lesereihenfolge zwischen Absatzzeilen einsortiert.
• Die Seitenzahl fehlt im kopierten Text, erscheint aber nach dem Export: Wahrscheinlich interpretiert das Exportmodul ein separates Seitenobjekt falsch.
• Die Zahl ist nur sichtbar, lässt sich aber nicht markieren: Sie gehört vermutlich zum Seitenbild. Dann muss der Erkennungsbereich angepasst oder der Scan vor der erneuten OCR beschnitten werden.

Teste zusätzlich nur eine einzelne Seite. Ist das Ergebnis dort sauber, während die Verarbeitung des gesamten Dokuments fehlschlägt, kommt eine fehlerhafte Erkennung wiederkehrender Kopf- oder Fußzeilen infrage. Tritt der Fehler bereits auf der Einzelseite auf, ist eher deren Seitenaufteilung oder Lesereihenfolge betroffen.

Die Seitenzahl von der eigentlichen Textfläche trennen

Die zuverlässigste Lösung besteht darin, Seitenzahlen vor der erneuten Texterkennung aus dem OCR-Bereich auszuschließen. Die Zahl darf im Seitenbild sichtbar bleiben; sie soll lediglich nicht als Bestandteil des Fließtexts erkannt werden.

1. Erstelle eine Arbeitskopie der PDF, damit das unveränderte Original erhalten bleibt.
2. Öffne in deinem OCR-Programm die Seiten- oder Bereichsanalyse. Suche nach Funktionen für Erkennungsbereiche, Textblöcke, Seitenlayout, Kopfzeilen oder Fußzeilen. Die Bezeichnungen unterscheiden sich je nach Programmversion.
3. Markiere nur den tatsächlichen Fließtext als Textbereich. Lösche einen automatisch erzeugten Textblock um die Seitenzahl oder ordne ihn als Kopf- beziehungsweise Fußzeile ein, sofern das Programm diese Elementtypen unterstützt.
4. Verarbeite zunächst eine problematische Seite und kontrolliere das kopierte Ergebnis in einem Texteditor.
5. Übertrage die passende Bereichsaufteilung erst danach auf vergleichbar aufgebaute Seiten und starte die vollständige Texterkennung neu.

Bei einem Scan mit großem Leerraum kann auch vorsichtiges Beschneiden helfen. Schneide jedoch nicht blind alle Seiten auf dieselbe Höhe zu: Hoch- und Querformat, wechselnde Ränder sowie Fußnoten können sonst echten Inhalt verlieren. Enthält die Seitenzahl zugleich eine relevante Kapitel- oder Dokumentkennzeichnung, sollte sie als separates Element erhalten bleiben und nicht vollständig entfernt werden.

Lesereihenfolge und Absatzbildung neu analysieren

Steht die Seitenzahl außerhalb des Fließtexts und landet dennoch zwischen den Absätzen, kann die geometrische Lesereihenfolge falsch sein. Das geschieht unter anderem bei mehrspaltigen Seiten, randnahen Zahlen, schief eingescannten Blättern oder stark wechselnden Seitenlayouts.

Richte schiefe Seiten vor einem neuen OCR-Lauf gerade aus und kontrolliere die erkannten Textblöcke. Bei mehrspaltigen Dokumenten sollten die Spalten getrennte Bereiche bilden. Ein Textblock, der vom oberen bis zum unteren Seitenrand reicht, kann eine dort stehende Seitenzahl fälschlich mit mehreren Absätzen verbinden.

In Adobe Acrobat findest du die Texterkennung im Werkzeugbereich für Scan und OCR; die genaue Beschriftung hängt von Ausgabe und Version ab. Für die logische Reihenfolge eines barrierefreien Dokuments sind außerdem die Werkzeuge zur Lesereihenfolge beziehungsweise zur Tag-Struktur relevant. Eine Änderung der sichtbaren Position allein genügt nicht, wenn die fehlerhafte Reihenfolge bereits in der Textebene oder den Dokument-Tags gespeichert ist.

Fehler tritt nur beim Export nach Word oder Text auf

Eine korrekt durchsuchbare PDF kann beim Export trotzdem unerwünschte Zahlen zwischen Absätzen erhalten. Exportiere zur Gegenprobe dieselbe Seite einmal als einfachen Text und einmal in ein layoutorientiertes Format. Bleibt der einfache Text sauber, verursacht wahrscheinlich die Layoutrekonstruktion des Exports die falsche Zuordnung.

• Wähle einen fließtextorientierten Export, wenn die spätere Bearbeitung wichtiger als die ursprüngliche Seitenoptik ist.
• Wähle einen layouttreuen Export nur dann, wenn Spalten, Textfelder und Seitenpositionen erhalten bleiben müssen.
• Deaktiviere die Übernahme von Kopf- und Fußzeilen, falls das verwendete Programm dafür eine eigene Exportoption anbietet.
• Exportiere nach einer korrigierten OCR erneut, statt das bereits fehlerhaft erzeugte Word-Dokument mehrfach umzuwandeln.

Eine Umwandlung kann Absatzmarken, Schriften, Spalten, Formularfelder und die Reihenfolge von Textblöcken verändern. Bewahre die ursprüngliche PDF daher unabhängig vom bearbeitbaren Export auf.

Bereits eingefügte Zahlen bereinigen, ohne Inhalte zu löschen

Eine automatische Ersetzung ist nur sinnvoll, wenn die unerwünschten Einträge einem eindeutig wiederkehrenden Aufbau folgen. Einzelne Zahlen dürfen nicht pauschal gelöscht werden, weil sie Seitenverweise, Datumsangaben, Listenpunkte oder Messwerte sein können.

Vergleiche mehrere Fundstellen und achte auf dieselbe Position: Steht jeweils eine einzelne Zahl zwischen zwei Absatzmarken, lässt sich in einem Textverarbeitungsprogramm gezielt nach alleinstehenden Zahlenabsätzen suchen. Prüfe jede Ersetzung zunächst einzeln. Eine globale Suche nach allen Ziffern wäre ungeeignet.

Bei langen Dokumenten ist eine erneute OCR mit korrigierten Seitenbereichen meist zuverlässiger als die nachträgliche Reparatur Hunderter Fundstellen. Die Bereinigung im exportierten Text eignet sich vor allem dann, wenn die PDF nicht neu verarbeitet werden kann oder nur wenige Einträge betroffen sind.

Erfolgskontrolle an mehreren Seitentypen

Kontrolliere nach der Korrektur nicht nur die erste Seite. Wähle mindestens eine normale Textseite sowie Seiten mit Überschrift, Spalten, Fußnoten oder abweichendem Format. Kopiere jeweils einen Abschnitt über eine Absatzgrenze hinweg in einen Texteditor und suche nach den ursprünglichen Seitenzahlen.

Das Ergebnis ist sauber, wenn die Seitenzahlen entweder fehlen oder als getrennte Kopf- beziehungsweise Fußzeilenelemente erscheinen und der Fließtext in richtiger Reihenfolge kopiert wird. Für eine barrierefreie PDF sollte zusätzlich die Tag- und Lesereihenfolge geprüft werden, weil ein optisch korrektes Dokument intern weiterhin falsch strukturiert sein kann.

Häufige Fragen zu diesem OCR-Fehler

Kann eine echte Seitennummerierung erhalten bleiben?

Ja. Die sichtbare Nummer kann im Seitenbild oder als separates Seitenelement bestehen bleiben. Entscheidend ist, dass sie nicht Teil der Fließtextblöcke wird. Bei barrierefreien Dokumenten sollte außerdem geprüft werden, ob wiederkehrende Seitenbestandteile als Artefakte behandelt werden können, ohne benötigte Dokumentinformationen zu entfernen.

Ist ein Online-OCR-Dienst für die Reparatur geeignet?

Ein anderer OCR-Dienst kann die Seite neu analysieren, bietet aber nicht immer eine Bearbeitung einzelner Erkennungsbereiche. Bei vertraulichen Verträgen, Personalunterlagen oder medizinischen Dokumenten ist eine lokale Verarbeitung vorzuziehen. Vor einem Upload sollten außerdem Datenschutz, Speicherfrist und Löschmöglichkeit des Dienstes geprüft werden.

Warum sind manche Seiten betroffen und andere nicht?

Schon kleine Unterschiede bei Randabstand, Schräglage, Scanqualität oder Spaltenaufteilung können die Layoutanalyse verändern. Gruppiere abweichende Seitentypen und verarbeite sie mit jeweils passenden Erkennungsbereichen, statt eine einzige Bereichsvorlage ungeprüft auf das gesamte Dokument anzuwenden.