Die kurze Antwort
Wähl die Sprache des Dokuments, zieh das gescannte PDF auf das Tool unten und warte, während es die Seiten nacheinander liest. Danach lädst du das durchsuchbare PDF, die TXT-Datei oder beides als ZIP herunter. Das durchsuchbare PDF behält alle Originalseiten unverändert und bekommt nur den unsichtbaren Text dazu, es sieht also gleich aus und wird kaum größer.
Mischt das Dokument zwei Sprachen, zum Beispiel ein deutscher Vertrag mit englischen Fachbegriffen, wähl eine zweite Sprache dazu. Brauchst du nur einige Seiten, trag sie ins Feld Seiten ein, etwa 1-3, 5 oder 8-.
Hier ausprobieren: PDF OCR
Vollständige Tool-Seite öffnenWarum man in einem gescannten PDF nicht suchen kann
Ein PDF aus einem Textprogramm enthält echten Text: jeden Buchstaben mit Schrift und Position. Ein Scanner, ein Kopierer oder eine Scan-App auf dem Handy arbeitet anders. Sie fotografiert das Papier und packt dieses Foto in ein PDF. Für dich sieht die Seite wie Text aus, für den Computer ist sie ein Raster aus farbigen Punkten.
Deshalb findet die Suche nichts, der Cursor markiert die ganze Seite als Bild und beim Einfügen kommt nichts Brauchbares heraus. Screenreader können die Seite nicht vorlesen, und die Dateisuche auf deinem Computer oder in einem Dokumentenarchiv findet das Dokument nicht über seinen Inhalt. Manche Scan-Apps machen automatisch eine OCR, darum sind manche Scans durchsuchbar und andere nicht.
Ein schneller Test: Öffne das PDF, drück Strg+F (Cmd+F am Mac) und such ein Wort, das du auf der Seite deutlich siehst. Wird nichts gefunden, hat die Seite keine Textebene und braucht eine OCR.
So funktioniert die unsichtbare Textebene
Die OCR findet Zeilen und Wörter im Seitenbild und erkennt jedes Zeichen. Danach schreibt das Tool jedes erkannte Wort genau an die Stelle ins PDF, an der es im Scan steht, und zwar in einem unsichtbaren Textmodus, den PDF-Reader kennen: Der Text ist zum Suchen und Markieren da, wird aber nicht gezeichnet, der Scan darunter bleibt also sichtbar wie vorher.
Die Originalseiten werden unverändert übernommen. Der Scan wird weder neu umgewandelt noch neu komprimiert und verliert keine Qualität, das Ergebnis sieht also genauso aus wie deine Datei. Jede Seite bekommt nur ein paar Kilobyte Text dazu. Bei der Suche hebt der Reader das Wort auf dem Scan hervor, und wenn du eine Zeile markierst und kopierst, bekommst du den erkannten Text.
Die Einstellungen im Einzelnen
- Sprache des Textes: die Sprache, in der das Dokument geschrieben ist. Das ist die wichtigste Einstellung, denn sie sagt der OCR, welche Buchstaben und Wörter zu erwarten sind. Nur die Daten dieser Sprache werden einmal heruntergeladen.
- Zweite Sprache: optional. Nimm sie für gemischte Dokumente. Beide Sprachen werden zusammen erkannt, etwas langsamer als eine.
- Seiten: leer lassen für alle Seiten oder Bereiche wie 1-3, 5 oder 8- (ab Seite 8 bis zum Ende) eintragen. Das durchsuchbare PDF enthält trotzdem alle Seiten, nur die gewählten bekommen eine Textebene.
- Ergebnis: durchsuchbares PDF und Text (beides als ZIP), nur durchsuchbares PDF oder nur Text. Änderst du das später, werden die Seiten nicht noch einmal gelesen, der erkannte Text wird wiederverwendet.
- Stopp: Lange Dokumente lassen sich jederzeit über den Knopf neben der Datei anhalten. Bereits gelesene Seiten bleiben gespeichert, der nächste Durchlauf macht dort weiter.
Tipps für genauen Text
- Scann wenn möglich mit 300 DPI. Die Seiten werden vor dem Lesen mit etwa 300 DPI gezeichnet, aber ein schärferer Scan liefert immer bessere Buchstaben.
- Halt die Seiten gerade und gleichmäßig beleuchtet. Eine leichte Schräglage ist kein Problem, stark gedrehte oder gewölbte Seiten wie das Foto eines dicken Buchs werden schlechter gelesen.
- Wähl genau die richtige Sprache. Ist Englisch eingestellt, können Buchstaben wie ä, ö, ü oder ß als ähnlich aussehende lateinische Buchstaben herauskommen.
- Prüf Namen, Beträge und Daten, bevor du dich darauf verlässt. Die OCR ist bei sauberem Druck sehr gut, aber bei schlechten Kopien wird aus einer 1 schnell ein l und aus einer 0 ein O.
- Handschrift, Stempel und Text auf Fotos oder unruhigem Hintergrund sind für jede OCR schwierig und werden womöglich übersprungen oder falsch gelesen.
Welche Sprachen funktionieren und wie gut
Die Erkennung umfasst 20 Sprachen. Der Text in der TXT-Datei ist immer reines Unicode, jedes Alphabet bleibt also erhalten. Im durchsuchbaren PDF wird der unsichtbare Text Zeichen für Zeichen gespeichert, deshalb lassen sich Buchstaben wie ä, ö, ü, ß, é, ç und ş suchen und richtig kopieren. Bei vielen einfachen PDF-Tools, die nur die westlichen Grundbuchstaben kennen, ist das nicht so.
| Schrift | Suchen und Kopieren im PDF | Hinweis |
|---|---|---|
| Lateinisch (Deutsch, Englisch, Französisch, Spanisch, Türkisch...) | Ja | Umlaute und Sonderzeichen bleiben erhalten |
| Kyrillisch und Griechisch | Ja | Funktioniert in allen gängigen Readern |
| Chinesisch und Japanisch | Ja, mit Einschränkungen | Wörter können bei der Suche durch Leerzeichen getrennt sein |
| Arabisch, Hindi, Thai, Koreanisch | Ja, mit Einschränkungen | Manche Reader ordnen oder trennen Wörter anders |
Seiten mit vorhandenem Text und dein Datenschutz
Viele PDFs mischen gescannte und normale Seiten, zum Beispiel ein am Computer geschriebenes Anschreiben und danach gescannte Belege. Bevor das Tool eine Seite liest, prüft es, ob sie schon echten Text enthält. Wenn ja, bleibt die Seite genau so, wie sie ist, und ihr vorhandener Text kommt in die TXT-Datei. So entsteht nie eine zweite, doppelte Textebene. Ein PDF, das schon per OCR bearbeitet wurde, wird auf dieselbe Weise erkannt.
Alles passiert auf deinem Gerät. Das PDF wird in deinem Browser geöffnet, gezeichnet und gelesen, nichts wird hochgeladen. Das zählt bei Verträgen, Arztbriefen und Kontoauszügen. Nach der ersten Nutzung bleiben die Sprachdaten in deinem Browser, das Tool funktioniert dann auch offline. Passwortgeschützte PDFs lassen sich nicht öffnen; entfern das Passwort vorher.