Gescanntes PDF durchsuchbar machen – und das Ergebnis überprüfen

Wie erkenne ich, ob ein PDF durchsuchbar ist?

Öffnen Sie die Datei in einem gewöhnlichen PDF-Reader und suchen Sie nach einem markanten Wort, das auf der Seite steht. Markieren Sie anschließend einen Satz und kopieren Sie ihn in ein reines Textfeld. Folgt die Markierung einzelnen Wörtern und stimmt der eingefügte Text, enthält das Dokument bereits eine Textebene.

Manche Scans enthalten eine unvollständige OCR: Überschriften lassen sich finden, der Fließtext hingegen nicht, oder die Textebene ist gegenüber den sichtbaren Wörtern verschoben. Prüfen Sie deshalb mehr als die erste Seite und beziehen Sie Zahlen, Satzzeichen und Buchstaben mit Akzenten ein.

Was fügt die Texterkennung einer gescannten Seite hinzu?

OCR wertet die Pixel der Seite aus und leitet daraus Zeichen, Wörter und mitunter auch die Lesereihenfolge ab. In einem durchsuchbaren PDF bleibt das Originalbild sichtbar, während der geschätzte Text unsichtbar an ungefähr denselben Stellen hinterlegt wird. Die Seite kann deshalb makellos aussehen, obwohl der kopierte Text Fehler enthält.

Durchsuchbar ist nicht dasselbe wie bearbeitbar oder barrierefrei. Ein brauchbares barrierefreies Dokument braucht zusätzlich die richtige Lesereihenfolge, Sprachauszeichnung, Überschriften, Tabellenstruktur und, wo sinnvoll, Beschreibungen. Und ein wirklich bearbeitbares Dokument benötigt digitale Layoutobjekte, nicht nur eine unsichtbare Überlagerung.

Wie verbessere ich die Scan-Qualität vor der Texterkennung?

Die Erkennung gelingt am besten bei scharfem, aufrecht stehendem Text, ausreichender Auflösung und gleichmäßigem Kontrast. Drehen Sie quer liegende Seiten, schneiden Sie große, unwichtige Ränder ab und korrigieren Sie sichtbare Perspektivverzerrungen. Mit einer starken Schwellenwertbildung sollten Sie vorsichtig umgehen: Sie kann dunklen Druck zwar deutlicher machen, tilgt dabei aber unter Umständen helle Bleistiftnotizen, Satzzeichen oder feine Tabellenlinien.

Wählen Sie die richtige OCR-Sprache und denken Sie an mehrsprachige Vorlagen. Namen, Codes, seltene Abkürzungen und historische Schriften müssen häufig von Hand korrigiert werden, selbst wenn gewöhnlicher Fließtext gut erkannt wird.

Wie prüfe ich, ob die OCR-Textebene korrekt ist?

Suchen Sie bei jeder Dokumentenart nach mehreren Wörtern und kopieren Sie anschließend repräsentative Absätze, Zahlen und Tabellenzellen. Achten Sie darauf, dass die Textmarkierung der sichtbaren Zeile folgt und nicht über die Spalten springt. Die Reihenfolge, die ein Screenreader oder eine Textextraktion ausgibt, sollte Überschriften, Fließtext, Fußnoten und Spalten in einer sinnvollen Abfolge durchlaufen.

Bei Unterlagen, die Rechte, Geld, Identität oder Compliance betreffen, vergleichen Sie jeden kritischen Wert mit dem Bild. Ein hoher Erkennungswert ist hilfreich, aber kein Beleg dafür, dass der Inhalt stimmt.

• Namen, Datumsangaben, Beträge und Referenznummern stimmen mit der Seite überein.
• Trennstriche am Zeilenende zerstören keine kopierten Wörter.
• Mehrspaltiger Text wird in der Lesereihenfolge extrahiert.
• Beim dauerhaften Schwärzen wird auch der unsichtbare Text entfernt.
• Das Ergebnis lässt sich in einem unabhängigen PDF-Reader öffnen und durchsuchen.

Wie behalte ich Dateigröße und Bildqualität im Griff?

Der OCR-Text fällt im Vergleich zu den Seitenbildern kaum ins Gewicht. Die Dateigröße hängt vor allem von der Bildauflösung, den Farbinformationen und der Komprimierung ab. Verkleinern Sie nur so weit, dass die kleinste wichtige Schrift lesbar bleibt; wandeln Sie ein PDF wiederholt in Bilder um, können Links, Formulare, Tags und vorhandener digitaler Text verloren gehen.

Bewahren Sie eine Archiv- oder Originalkopie getrennt von der kleineren Kopie zum Weitergeben auf. Ein kompaktes PDF ist praktisch, es sollte aber nicht die einzige verbleibende Fassung sein, wenn die Komprimierung Beweismaterial entfernt hat.

Welche Fassung sollte ich speichern?

Behalten Sie den unberührten Scan als Quellkopie. Speichern Sie die durchsuchbare Fassung unter einem eindeutigen Dateinamen und öffnen Sie sie danach in einem anderen PDF-Reader, um zu bestätigen, dass Suche und Markierung weiterhin funktionieren. Brauchen Sie zusätzlich eine kleinere Kopie zum Weitergeben, erstellen Sie diese aus der geprüften Fassung, statt die OCR erneut laufen zu lassen.

Halten Sie bei langfristig aufzubewahrenden Unterlagen fest, wann die durchsuchbare Kopie entstanden ist und welche Seiten geprüft wurden. Diese kleine Notiz erleichtert spätere Korrekturen und verhindert, dass eine bequeme Arbeitsdatei später für das Original gehalten wird.