Gescanntes PDF durchsuchbar machen

Eine unsichtbare Ebene über einer unveränderten Seite

Der Scan bleibt genau so, wie er war. Hinzu kommt eine Textebene in einem unsichtbaren Darstellungsmodus – echte Zeichen, Wort für Wort über den Wörtern im Bild positioniert und so gekennzeichnet, dass sie nie gezeichnet werden. Die Seite sieht identisch aus, weil sich optisch nichts geändert hat; markieren Sie einen Satz, landet die Hervorhebung auf den richtigen Wörtern, weil der unsichtbare Text genau dort liegt, wo die sichtbare Tinte ist. So wird ein durchsuchbarer Scan üblicherweise erstellt, und deshalb lässt sich das Ergebnis durchsuchen, kopieren und indexieren, obwohl es weiterhin ein Foto eines Dokuments ist.

Zwei Dinge an der Seite werden bewusst korrigiert, weil das Lesen sie ohnehin brauchte. Eine seitlich gescannte Seite wird aufgerichtet, und eine Seite, die schief durch den Einzug lief, wird begradigt – das Ergebnis ist daher oft ordentlicher als die Vorlage. Die Seitengrößen werden aus dem Original-PDF übernommen statt vereinheitlicht, sodass ein Dokument mit gemischten Seitengrößen so bleibt und nichts neu skaliert wird.

Die Genauigkeit hängt fast vollständig vom Scan ab, und die Unterschiede sind groß. Ein sauberer Scan gedruckten Textes mit 300 DPI wird mit sehr hoher Genauigkeit gelesen; dieselbe Seite mit 150 DPI deutlich schlechter; ein schräg aufgenommenes Foto bei schlechtem Licht ist eine ganz andere Sache. Wenn Sie selbst scannen, sind 300 DPI in Graustufen die entscheidende Einstellung – mehr Auflösung hilft selten, weniger schadet sofort. Kleine Schrift, enger Zeilenabstand, farbige Hintergründe, Kopien von Kopien und alles Gestempelte oder Handschriftliche sind auf eine Weise schwieriger, die keine Software vollständig löst.

Was bewusst weggelassen wird, ist genauso wichtig wie das, was hineinkommt. Fotos, Logos, Unterschriften und dekorative Grafiken werden ignoriert statt gelesen, denn wer einem Bild Buchstaben abzwingt, erhält plausiblen Unsinn, der dann in jeder Suche auftaucht. Chinesische, japanische und koreanische Wörter werden erkannt, aber aus der Textebene ausgelassen und für Sie gezählt, statt als Leerstellen geschrieben zu werden, bis eine Schrift verfügbar ist, die sie darstellen kann. Das Dokument wird hier nicht neu gesetzt: Die Wörter auf der Seite sind weiterhin ein Bild, und die Umwandlung in Word ist das Tool, um daraus bearbeitbaren Text zu machen.

Wenn Sie etwas anderes brauchen

OCRmyPDF ist das Tool, neben dem diese Seite eine bequeme Abkürzung ist, und es ist kostenlos. ocrmypdf --deskew --rotate-pages in.pdf out.pdf erledigt dieselbe Aufgabe mit mehr Kontrolle; mit --optimize 3 wird das Ergebnis verkleinert, mit --redo-ocr eine schlechte vorhandene Textebene ersetzt und mit --output-type pdfa im selben Durchgang eine Archivdatei erzeugt. Es verarbeitet Tausende Seiten, läuft als Ordnerüberwachung und wird von Bibliotheken und Dokumentarchiven tatsächlich eingesetzt.

Bei schwierigem Material – historischen Drucken, ungewöhnlichen Layouts, umfangreichen Tabellen – liest ein gehosteter Dienst von Google, Amazon oder Microsoft Seiten, an denen eine allgemeine Texterkennung scheitert, weil er mit weit mehr Material trainiert wurde. Das ist ein echter Unterschied in den Fähigkeiten, und das sollte man wissen. Es bedeutet aber auch, Ihre Dokumente an einen Dritten zu senden – genau der Kompromiss, den diese Seite vermeiden soll. Für ein fragiles altes Buch ist es also die richtige Wahl, für einen Karton voller Patientenakten die falsche.