Ein gescanntes PDF enthält häufig nur Bilder von Buchstaben und keine auswählbaren Zeichen. Prüfe zunächst, ob Du einzelne Wörter markieren kannst: Lässt sich nur ein rechteckiger Bildbereich auswählen, fehlt wahrscheinlich die Textebene. Eine Texterkennung, kurz OCR, kann diese Ebene ergänzen – ihre Qualität hängt jedoch stark davon ab, wie sauber, gerade und ausreichend groß das Dokument erfasst wurde.
Warum der sichtbare Text technisch noch kein Text ist
Beim normalen Scannen fotografiert das Gerät jede Seite als Raster aus Bildpunkten. Menschen erkennen darin Wörter, ein PDF-Programm sieht zunächst aber lediglich helle und dunkle Flächen. Kopieren, Suchen und teilweise auch Vorlesen funktionieren erst, wenn eine OCR-Software die Zeichen analysiert und dem Seitenbild passenden digitalen Text zuordnet.
Viele Programme speichern das Ergebnis als sogenanntes durchsuchbares Bild: Die gescannte Seite bleibt sichtbar, während eine unsichtbare Textebene darüber oder dahinterliegt. Markierst Du eine Zeile, wird der erkannte Text aus dieser Ebene übernommen. Fehler in der Erkennung können deshalb beim Kopieren sichtbar werden, obwohl das Seitenbild korrekt aussieht.
Ein schneller Gegencheck trennt ein Scanproblem von einem Problem der PDF-Anwendung: Öffne dieselbe Datei in einem zweiten PDF-Programm und versuche dort, ein einzelnes Wort auszuwählen. Scheitert die Auswahl in beiden Programmen auf dieselbe Weise, fehlt wahrscheinlich die Textebene. Funktioniert sie nur in einem Programm, solltest Du zunächst dessen Auswahlwerkzeug, Berechtigungen und Darstellungsmodus prüfen, statt den Scan neu zu verarbeiten.
Wichtige Punkte für das weitere Vorgehen
OCR arbeitet zuverlässiger, wenn sich Buchstaben klar vom Hintergrund abgrenzen und nicht durch Schatten, Falten oder Bildartefakte unterbrochen werden. Eine gute Vorbereitung beginnt deshalb am Papier und nicht erst in der OCR-Software.
Passende Anleitung öffnen →
Passende Anleitung öffnen →- Scannerfläche säubern: Staub, Fingerabdrücke und Streifen können als Punkte, Satzzeichen oder Buchstabenteile interpretiert werden. Verwende für das Scannerglas nur eine zum Gerät passende, fusselfreie Reinigung und sprühe Flüssigkeit niemals direkt in das Gerät.
- Seiten glätten: Falze und gewölbte Buchseiten erzeugen Schatten oder verzerrte Zeilen. Lege Einzelblätter plan auf. Bei gebundenen Vorlagen darf der Buchrücken nicht mit Gewalt flachgedrückt werden.
- Original ausrichten: Schon eine sichtbare Schräglage erschwert die Zuordnung von Zeilen und Spalten. Automatisches Geraderichten kann helfen, sollte aber nicht als Ersatz für eine sauber eingelegte Vorlage dienen.
- Vollständige Ränder erfassen: Schneide Text, Seitenzahlen und Randnotizen nicht beim Scannen ab. Ein kleiner gleichmäßiger Rand erleichtert die spätere automatische Seitenerkennung.
- Durchscheinende Rückseiten vermeiden: Bei dünnem Papier kann eine dunkle Unterlage hinter der Seite das Durchscheinen reduzieren. Ob das funktioniert, hängt von Papier, Scanner und Vorlage ab; kontrolliere deshalb eine Testseite.
Wichtige Punkte für das weitere Vorgehen
Für gut gedruckten Fließtext ist eine Scanauflösung von etwa 300 dpi ein sinnvoller Ausgangspunkt. Kleine Schrift, schwache Ausdrucke oder feine Fußnoten können von 400 dpi oder mehr profitieren. Eine höhere Auflösung ist aber kein automatischer Qualitätsgewinn: Sie vergrößert die Datei und kann Papierstruktur, Rasterpunkte oder Schmutz stärker hervorheben. Eine bereits unscharfe Vorlage wird durch nachträgliches Hochrechnen nicht wieder detailreich.
Schwarz-Weiß mit nur zwei Tonwerten erzeugt kleine Dateien, kann jedoch dünne Zeichenbestandteile verschlucken. Graustufen erhalten solche Übergänge meist besser und eignen sich häufig für normale Textseiten. Farbe ist sinnvoll, wenn farbige Schrift, Markierungen, Stempel oder ein farbiger Hintergrund für das Verständnis wichtig sind. Für eine reine Schwarzschrift auf sauberem weißem Papier bringt ein Farbscan der OCR dagegen nicht zwangsläufig einen Vorteil.
Scanne eine schwierige Seite zunächst in zwei Varianten, beispielsweise mit 300 und 400 dpi oder in Schwarz-Weiß und Graustufen. Führe auf beiden Dateien dieselbe OCR mit derselben Spracheinstellung aus. Vergleiche anschließend nicht nur das Seitenbild, sondern kopiere eine Zeile mit kleinen Zeichen, Zahlen und Satzzeichen. Die Variante mit weniger Erkennungsfehlern ist für die restlichen Seiten geeigneter.
Eine OCR-taugliche Datei ohne unnötige Verluste erzeugen
- Direkt aus der bestmöglichen Vorlage scannen: Nutze nach Möglichkeit das Original statt eines Ausdrucks einer bereits komprimierten Datei. Jede zusätzliche Kopier- oder Speicherstufe kann Konturen verschlechtern.
- Leserichtung kontrollieren: Drehe Seiten vor der Erkennung in die richtige Ausrichtung. Bei einem mehrseitigen Dokument sollte keine einzelne Seite auf dem Kopf stehen.
- Störende Außenbereiche entfernen: Schneide schwarze Scannerflächen oder sichtbare Bereiche außerhalb des Papiers weg, ohne Inhalte am Seitenrand zu verlieren.
- Helligkeit vorsichtig korrigieren: Der Hintergrund sollte gleichmäßig hell und die Schrift klar abgesetzt sein. Zu starke Aufhellung lässt dünne Striche verschwinden; zu hoher Kontrast kann benachbarte Buchstaben verbinden.
- Mehrfache verlustbehaftete Komprimierung vermeiden: Wiederholtes Speichern als stark komprimiertes Bild kann Blockbildung und unscharfe Zeichenränder erzeugen. Bewahre bis zum Abschluss der OCR eine möglichst hochwertige Ausgangsdatei auf.
- Erst danach OCR ausführen: Wähle die tatsächlich vorkommende Dokumentensprache. Enthält die Seite mehrere Sprachen, aktiviere nur die benötigten Sprachmodelle, sofern das verwendete Programm diese Auswahl unterstützt.
Bei Spalten, Tabellen, Formularen oder gemischten Text- und Bildbereichen spielt zusätzlich die Layoutanalyse eine Rolle. Erkennt die Software Zeilen in der falschen Reihenfolge, kann eine manuelle Bereichsauswahl oder ein anderer Dokumenttyp helfen. Die Bezeichnungen und verfügbaren Funktionen unterscheiden sich je nach OCR-Programm und Version.
Am Ergebnis entscheidet nicht das Seitenbild, sondern der kopierte Inhalt
Eine erfolgreiche OCR erkennst Du daran, dass sich einzelne Wörter und zusammenhängende Zeilen auswählen lassen und die Suche erwartete Begriffe findet. Prüfe gezielt Stellen, an denen typische Verwechslungen auffallen: Ziffer 0 und Buchstabe O, Ziffer 1 und kleines l, Umlaute, ß, Bindestriche, Dezimalzeichen sowie sehr kleine Fußnoten.
Kopiere außerdem einen kurzen Absatz in einen reinen Texteditor. So werden Fehler sichtbar, die das unveränderte Scanbild verdeckt. Bei wichtigen Dokumenten genügt eine Stichprobe nicht: Namen, Beträge, Aktenzeichen, Kontaktdaten und andere folgenreiche Angaben müssen mit dem Seitenbild verglichen werden.
Fällt nur eine einzelne Seite deutlich schlechter aus, scanne diese Seite neu. Treten dieselben Fehler über das gesamte Dokument auf, ändere zuerst Sprache, Auflösung oder Farbmodus und teste erneut eine repräsentative Seite. Werden Zeilen ausgelassen oder vermischt, liegt der nächste Ansatz eher bei Ausrichtung, Zuschnitt und Layoutanalyse als bei einer noch höheren Auflösung.
Grenzen der Texterkennung
Auch ein sorgfältig vorbereiteter Scan garantiert keinen fehlerfreien Text. Handschrift, dekorative Schriften, beschädigte Vorlagen, starke Flecken, gekrümmte Buchseiten und Zeichen auf Bildern bleiben anspruchsvoll. Eine OCR rekonstruiert außerdem keine fehlenden Buchstabenteile: Ist Text abgeschnitten, überbelichtet oder im Ausgangsbild nicht lesbar, hilft meist nur ein neuer Scan aus einer besseren Vorlage.
Bewahre das unveränderte Original-PDF getrennt vom OCR-Ergebnis auf. Das ist besonders sinnvoll, wenn die erkannte Fassung später bearbeitet, exportiert oder komprimiert wird. So kannst Du jederzeit prüfen, ob ein Fehler bereits im Scan vorhanden war oder erst bei Texterkennung und Weiterverarbeitung entstanden ist.
Häufige Fragen zur OCR von Scan-PDFs
Kann OCR auch handschriftliche Notizen erkennen?
Manche Programme bieten eine Handschrifterkennung, doch die Ergebnisse hängen stark von Schriftbild, Sprache und Aufnahmequalität ab. Für Namen, Zahlen oder andere wichtige Angaben sollte handschriftlich erkannter Text vollständig mit dem Scan verglichen werden.
Sollten vertrauliche Scans mit einem Online-Dienst verarbeitet werden?
Bei vertraulichen, personenbezogenen oder geschäftlichen Inhalten ist eine lokale OCR auf einem kontrollierten Gerät meist die besser überprüfbare Wahl. Vor dem Hochladen zu einem Online-Dienst müssten unter anderem Speicherort, Löschregeln, Zugriffsrechte und zulässige Datenverarbeitung geklärt sein.
Muss die OCR das Aussehen der PDF verändern?
Nein. Ein durchsuchbares Bild kann die ursprüngliche Seitenansicht beibehalten und lediglich eine unsichtbare Textebene ergänzen. Ein Export in ein bearbeitbares Textformat verfolgt ein anderes Ziel und kann Spalten, Schriften, Abstände sowie Formularelemente verändern.