PDF-Texterkennung erfasst nur die erste Seite: Das hilft

Erkennt die OCR einer PDF nur die erste Seite, liegt es meist an einem falsch begrenzten Seitenbereich oder daran, dass der verwendete Befehl lediglich die geöffnete Seite verarbeitet. Stelle die Erkennung ausdrücklich auf alle Seiten um und kontrolliere danach auf Seite zwei, ob sich einzelne Wörter markieren oder suchen lassen. Bleibt nur Seite eins durchsuchbar, zeigt eine kurze Gegenprobe, ob die Ursache in der OCR-Software oder in den übrigen PDF-Seiten steckt.

Zuerst den Seitenbereich der OCR kontrollieren

Viele PDF-Programme unterscheiden zwischen der aktuellen Seite, ausgewählten Seiten und dem gesamten Dokument. Diese Auswahl kann in einem Dialog erscheinen, der leicht übergangen wird. Eine mehrseitige Datei wird dann zwar vollständig angezeigt, die Texterkennung erhält aber nur Seite eins als Auftrag.

1. Öffne die PDF und starte die Funktion zur Texterkennung, nicht nur eine Scanverbesserung oder Bildkorrektur.
2. Suche im OCR-Dialog nach einer Auswahl wie alle Seiten, gesamtes Dokument oder Seitenbereich.
3. Wähle alle Seiten beziehungsweise trage den vollständigen Bereich ein, etwa 1–12 bei einem zwölfseitigen Dokument.
4. Kontrolliere die Dokument- und Erkennungssprache. Eine falsche Sprache erklärt gewöhnlich schlechte Wörter, nicht aber das vollständige Überspringen späterer Seiten.
5. Speichere das Ergebnis unter einem neuen Dateinamen, damit die ursprüngliche Scan-PDF erhalten bleibt.

In Adobe Acrobat befindet sich die Funktion je nach Programmversion im Werkzeugbereich unter Scannen und OCR beziehungsweise Alle Werkzeuge und dort bei Text erkennen. Maßgeblich ist im folgenden Dialog der ausgewählte Seitenbereich. Der kostenlose Adobe Acrobat Reader bietet nicht in jeder Ausgabe und Umgebung dieselben OCR-Funktionen wie Acrobat; fehlt die Auswahl für mehrere Seiten, ist das möglicherweise eine Grenze der verwendeten Anwendung oder Lizenz.

Mit Seite zwei die Fehlerquelle eingrenzen

Eine einzelne Folgeseite liefert die schnellste Gegenprobe. Extrahiere Seite zwei als eigene PDF oder öffne sie in einem Programm, das eine ausgewählte Seite separat speichern kann. Führe anschließend nur auf dieser Einzelseite eine Texterkennung aus.

• Funktioniert die OCR bei der einzeln gespeicherten Seite zwei, sind ihre Bilddaten lesbar. Wahrscheinlich begrenzt die ursprüngliche OCR-Einstellung den Auftrag auf die erste Seite oder die Software verarbeitet den mehrseitigen Auftrag nicht vollständig.
• Funktioniert die Erkennung auch in der Einzeldatei nicht, liegt das Problem eher an dieser Seite: Sie kann leer, sehr niedrig aufgelöst, stark schief, kontrastarm oder intern fehlerhaft gespeichert sein.
• Funktioniert die Einzelseite in einem zweiten OCR-Programm, spricht das gegen einen Defekt des Seitenbildes. Prüfe im ersten Programm die Mehrseitenauswahl, Ausgabeoptionen und verfügbaren Aktualisierungen.

Bei vertraulichen Unterlagen sollte diese Gegenprobe lokal auf dem Computer erfolgen. Das Hochladen zu einem Online-OCR-Dienst überträgt den Dokumentinhalt an einen externen Anbieter und ist für Personal-, Gesundheits-, Vertrags- oder Zugangsdaten häufig nicht die geeignete Wahl.

Textebene und sichtbares Seitenbild getrennt prüfen

Eine Seite kann sichtbar sein, ohne eine durchsuchbare Textebene zu besitzen. Umgekehrt kann bereits unsichtbarer OCR-Text vorhanden sein, obwohl die Erkennung unbrauchbar wirkt. Der Suchtest muss deshalb auf jeder betroffenen Seite durchgeführt werden.

Suche auf Seite zwei nach einem gut lesbaren, ungewöhnlichen Wort. Findet die Suche nichts, versuche mit dem Textwerkzeug einzelne Wörter zu markieren. Lässt sich nur die komplette Seite wie ein Bild auswählen, fehlt dort wahrscheinlich die Textebene. Werden Wörter markiert, aber falsch gefunden oder kopiert, hat die OCR die Seite verarbeitet; dann geht es um Erkennungsqualität statt um einen Abbruch nach Seite eins.

Manche Anwendungen überspringen Seiten, die bereits als texttragend eingestuft werden. Das kann bei PDFs mit einer Mischung aus echten Textseiten, eingescannten Bildern und alten OCR-Ebenen zu uneinheitlichen Ergebnissen führen. Bietet die Anwendung eine Wahl zwischen dem Beibehalten vorhandenen Textes und einer erneuten Erkennung, sollte diese nur an einer Kopie getestet werden. Eine neue OCR kann bestehenden, korrekten Text verändern oder zusätzliche Ebenen erzeugen.

Wenn der Mehrseitenlauf weiterhin abbricht

Verarbeitet das Programm trotz ausgewähltem Gesamtbereich nur den Anfang, sollte die Datei in kleineren Abschnitten getestet werden. Teile eine Kopie beispielsweise in die Seiten 1–5 und 6–10 und führe die OCR für beide Teile getrennt aus. Die tatsächlichen Bereiche richtest Du nach der Seitenzahl des Dokuments.

Wird der erste Abschnitt vollständig erkannt, der zweite aber nicht, teile den fehlerhaften Abschnitt erneut. So lässt sich eine problematische Seite eingrenzen, ohne jede Seite einzeln zu testen. Häufige Auffälligkeiten sind extrem große Scanbilder, ungewöhnliche Seitengrößen, beschädigte Bildobjekte oder eine Seite, die vom Programm nicht gerendert werden kann. Das sind mögliche Ursachen, keine sichere Diagnose.

Hilft die Aufteilung, können die erkannten Teil-PDFs anschließend wieder in der ursprünglichen Reihenfolge zusammengeführt werden. Vorher sollte jede Teil-Datei mit einem Suchbegriff auf ihrer letzten Seite geprüft werden. Auf diese Weise fällt sofort auf, wenn ein Abschnitt erneut nur teilweise verarbeitet wurde.

Eine neue PDF-Kopie kann interne Strukturfehler umgehen

Zeigt eine Seite im Viewer ein normales Bild, scheitert aber in mehreren OCR-Programmen, kann eine neu erzeugte Arbeitskopie helfen. Exportiere oder speichere die betroffenen Seiten mit einer PDF-Anwendung neu und starte die OCR auf dieser Kopie. Vermeide dabei eine unnötige starke Bildkomprimierung, weil feine Zeichen, Punkte und Akzente verloren gehen können.

Als letzter technischer Test lassen sich betroffene Seiten in Bilddateien ausgeben und wieder zu einer PDF zusammensetzen. Das entfernt jedoch interaktive Elemente, Formularfelder, Lesezeichen, vorhandenen Text, Ebenen und möglicherweise Signaturinformationen. Dieser Weg eignet sich nur für eine Arbeitskopie eines reinen Scans, nicht als unbedachte Reparatur eines digital signierten oder strukturierten Dokuments.

Schutz und Signaturen setzen eine klare Grenze

Ist die PDF mit Berechtigungen geschützt, darf eine Software Änderungen oder das Hinzufügen einer Textebene verweigern. Prüfe in den Dokumenteigenschaften, ob Bearbeitung zulässig ist. Verwende bei einem eigenen Dokument das rechtmäßig vorhandene Kennwort oder fordere beim Absender eine für die Texterkennung freigegebene Fassung an. Eine fremde Zugriffssperre sollte nicht umgangen werden.

Bei einer digital signierten PDF kann jede nachträgliche OCR die Datei verändern und dadurch die Signaturprüfung beeinträchtigen. Bewahre das signierte Original unverändert auf. Falls Du lediglich eine durchsuchbare Arbeitsfassung benötigst, erstelle eine getrennte Kopie und kennzeichne sie organisatorisch eindeutig als solche.

Woran eine vollständige Erkennung zu erkennen ist

Die Fortschrittsanzeige allein reicht nicht als Kontrolle. Öffne eine frühe, eine mittlere und die letzte Seite und suche jeweils nach einem eindeutig sichtbaren Wort. Kopiere zusätzlich einen kurzen Satz in einen einfachen Texteditor. Stimmen Seitenposition und Wortfolge weitgehend, wurde die Textebene über das Dokument verteilt.

Fehlt Text nur auf einzelnen Seiten, kehre zur abschnittsweisen Gegenprobe zurück. Fehlt er auf allen Seiten außer der ersten, sind Seitenbereich und Funktionsumfang der Anwendung die ersten Prüfpunkte. Diese Reihenfolge verhindert, dass ein brauchbarer Scan unnötig neu erstellt oder mit Qualitätsverlust umgewandelt wird.