Die PDF-Texterkennung verliert Formatierung beim Export: Was dahintersteckt

Verliert ein erkanntes PDF beim Export Absätze, Spalten, Tabellen oder Schriftmerkmale, ist meist nicht die Texterkennung selbst defekt. OCR ermittelt in erster Linie Zeichen und Wörter; das ursprüngliche Seitenlayout muss die Software zusätzlich rekonstruieren. Prüfe zuerst, ob du eine optisch unveränderte, durchsuchbare PDF oder ein frei bearbeitbares Dokument benötigst. Diese beiden Ziele verlangen unterschiedliche Exportarten.

Texterkennung und Layoutanalyse sind getrennte Arbeitsschritte

Eine gescannte PDF-Seite besteht zunächst aus einem Bild. Die OCR ordnet den sichtbaren Zeichen maschinenlesbaren Text zu. Damit daraus ein bearbeitbares Dokument entsteht, muss das Programm außerdem Textblöcke, Überschriften, Spalten, Tabellenzellen und Bilder voneinander abgrenzen.

Diese Layoutanalyse bleibt fehleranfällig. Ein geringer Abstand zwischen zwei Spalten kann als normaler Wortabstand gelten. Tabellenlinien können zu schwach sein, um Zellen sicher zu erkennen. Ein eingerückter Absatz kann als eigener Textrahmen erscheinen. Auch Kopfzeilen, Fußnoten und Seitenzahlen geraten beim Export leicht in die falsche Lesereihenfolge.

Die OCR kann den Wortlaut dabei weitgehend richtig erfassen, obwohl die ausgegebene Datei anders aussieht. Textgenauigkeit und Layouttreue sind daher zwei getrennte Qualitätsmerkmale.

Der Exporttyp entscheidet über das Ergebnis

Für die Wahl des richtigen Verfahrens ist das spätere Ziel wichtiger als das verwendete Dateiformat allein.

• Originalansicht mit Suchfunktion: Wähle eine durchsuchbare PDF, bei der das Seitenbild erhalten und eine unsichtbare Textebene hinterlegt wird. Das Erscheinungsbild bleibt normalerweise am zuverlässigsten erhalten. Der Text lässt sich suchen und häufig markieren, aber nur eingeschränkt bearbeiten.
• Bearbeitbarer Fließtext: Ein Export in ein Textverarbeitungsformat baut die Seite aus Absätzen, Rahmen, Bildern und Tabellen neu auf. Änderungen sind leichter möglich, dafür können Umbrüche und Abstände abweichen.
• Formtreuer bearbeitbarer Text: Einige Programme versuchen, die Position jedes Textblocks nachzubilden. Das ähnelt der Vorlage stärker, erzeugt jedoch oft viele einzelne Rahmen und erschwert längere Korrekturen.
• Reiner Text: Ein TXT-Export übernimmt Zeichen und einfache Zeilenumbrüche, aber keine Schriftarten, Tabellenformatierung oder Seitengeometrie. Ein Layoutverlust ist bei diesem Ausgabeziel vorgesehen und kein OCR-Fehler.

Benötigst du nur eine Suchfunktion oder kopierbaren Text, ist das Beibehalten des Seitenbildes meist die passendere Wahl. Soll das Dokument umfassend überarbeitet werden, lässt sich ein Neuaufbau des Layouts kaum vermeiden.

Eine einzelne Testseite grenzt die Ursache schnell ein

Exportiere zunächst nur eine repräsentative Seite mit Überschrift, Fließtext und einem schwierigen Element wie einer Tabelle oder mehreren Spalten. Vergleiche anschließend nicht nur das Aussehen, sondern auch die markierbare Textebene.

1. Öffne die erkannte PDF und markiere einen vollständigen Absatz. Läuft die Markierung in sinnvoller Reihenfolge, ist die Textebene wahrscheinlich brauchbar.
2. Kopiere den Absatz in einen einfachen Texteditor. Stimmen Wörter und Reihenfolge, während nur Schrift und Abstände fehlen, arbeitet die OCR inhaltlich richtig; der Verlust entsteht durch das gewählte Exportformat oder die Layoutrekonstruktion.
3. Springt die Markierung zwischen Spalten, Kopfzeile und Haupttext, liegt das Problem bereits in der Segmentierung oder Lesereihenfolge. Bearbeite nach Möglichkeit die erkannten Seitenbereiche, bevor du erneut exportierst.
4. Bleibt die PDF im Programm korrekt, sieht aber erst die exportierte Datei falsch aus, teste ein anderes Ausgabeprofil: durchsuchbare PDF für Formtreue oder bearbeitbares Dokument für inhaltliche Überarbeitung.

Mit dieser Gegenprobe lässt sich unterscheiden, ob Zeichen falsch erkannt wurden, Seitenbereiche falsch geordnet sind oder der Export bewusst weniger Formatmerkmale unterstützt.

Welche Merkmale beim Umwandeln besonders leicht verloren gehen

Schriftarten und Zeichenabstände

Aus dem Scan lässt sich nicht zuverlässig ableiten, welche ursprüngliche Schriftdatei verwendet wurde. Die Software kann deshalb eine ähnliche verfügbare Schrift einsetzen. Schon kleine Unterschiede bei Zeichenbreite und Zeilenhöhe verschieben Umbrüche. Fehlt eine benötigte Schrift auf dem System oder lässt sie sich nicht in das Zielformat übernehmen, wird sie ersetzt.

Spalten und frei platzierte Textfelder

Zeitungen, Broschüren, Formulare und wissenschaftliche Dokumente folgen häufig keinem einfachen Fließtext. Falsch gesetzte Bereichsgrenzen führen dann dazu, dass Zeilen aus benachbarten Spalten zusammenlaufen. Falls das OCR-Programm eine Seiten- oder Bereichsanalyse anbietet, sollten Text, Bild und Tabelle vor dem Export richtig zugeordnet sein.

Tabellen ohne deutliche Linien

Tabellen werden nicht nur anhand ihres Inhalts erkannt. Schwache Rasterlinien, leere Zellen, verbundene Zellen oder mehrzeilige Einträge können die Struktur uneindeutig machen. Für eine Tabellenkalkulation ist deshalb oft eine gesonderte Tabellenprüfung nötig. Ein normaler Text- oder Word-Export kann Zellinhalte übernehmen, ohne das Raster zuverlässig nachzubilden.

Absätze, Trennstriche und Zeilenwechsel

Die Texterkennung muss entscheiden, ob ein Zeilenende nur vom Seitenrand stammt oder einen echten Absatz beendet. Ähnlich unsicher ist die Unterscheidung zwischen einem Trennstrich am Zeilenende und einem dauerhaft zusammengesetzten Begriff. Falsche Entscheidungen werden beim Export als zusätzliche Absatzmarken, Leerzeichen oder getrennte Wörter sichtbar.

So verbesserst du das Ergebnis vor dem erneuten Export

Arbeite möglichst mit der ursprünglichen Scan-PDF statt mit einer bereits mehrfach konvertierten Datei. Jede Zwischenumwandlung kann Bildschärfe, Ausrichtung oder Textebene verändern. Kontrolliere danach die OCR-Sprache: Sie beeinflusst zwar vor allem die Zeichenerkennung, kann aber auch Worttrennungen und Satzstrukturen verbessern.

Richte schiefe Seiten aus und beschneide störende Ränder, sofern das Programm diese Bildkorrekturen anbietet. Schatten am Buchfalz, Lochungen und durchscheinender Text können falsche Bereichsgrenzen erzeugen. Eine höhere Scanqualität kann helfen, doch bloßes Hochskalieren eines unscharfen Bildes erzeugt keine fehlenden Details.

Bei komplexen Seiten lohnt es sich, die automatisch erkannten Zonen zu kontrollieren. Eine Tabelle sollte als Tabelle, eine Abbildung als Bild und ein mehrspaltiger Bereich in der richtigen Reihenfolge erfasst sein. Die Bezeichnungen und verfügbaren Werkzeuge unterscheiden sich je nach OCR-Anwendung und Version; suche dort nach Bereichen, Zonen, Seitenlayout oder Lesereihenfolge.

Exportiere die Testseite danach erneut. Ist die Struktur weiterhin falsch, entscheide zwischen zwei sauberen Wegen: Bewahre die Seite als durchsuchbare PDF mit unverändertem Bild auf oder übernimm den erkannten Inhalt in ein neues Dokument und formatiere die betroffenen Abschnitte gezielt neu. Wiederholte Exporte mit denselben Einstellungen verbessern eine fehlerhafte Layoutanalyse nicht.

Wann eine manuelle Nachbearbeitung sinnvoller ist

Bei einfachen Geschäftsbriefen lässt sich ein falscher Absatz oder eine verschobene Überschrift schnell korrigieren. Aufwendig wird die automatische Rekonstruktion bei Formularen, mehrspaltigen Magazinen, Tabellen über mehrere Seiten und Dokumenten mit vielen frei platzierten Elementen. Hier kann ein bewusst neu aufgebautes Dokument sauberer und stabiler sein als eine Sammlung automatisch erzeugter Textfelder.

Bewahre die ursprüngliche PDF als Referenz auf und prüfe nach der Bearbeitung Zahlen, Namen, Fußnoten sowie Tabellenwerte. Bei vertraulichen Unterlagen ist eine lokale OCR-Anwendung einem unbekannten Online-Dienst vorzuziehen, weil beim Hochladen eine zusätzliche Kopie an einen externen Dienst übertragen wird.

Der verlässlichste Weg hängt somit vom gewünschten Ergebnis ab: Eine durchsuchbare Bild-PDF schützt das Erscheinungsbild, während ein bearbeitbarer Export den Inhalt neu zusammensetzt und Nacharbeit erfordern kann. Wird diese Entscheidung vor der Texterkennung getroffen, lassen sich viele vermeintliche Formatierungsfehler vermeiden.