Wer alte Briefe, Verträge oder Formulare digitalisiert, steht oft vor demselben Problem: Das Dokument liegt als Bild vor, der Text lässt sich weder kopieren noch durchsuchen. Mit der richtigen Technik lässt sich das ändern – dieser Leitfaden zeigt Ihnen, wie.
Warum ist Textextraktion aus Scans notwendig?
Gescannte Dokumente sind in der Regel reine Bilddateien. Das bedeutet: Der Computer sieht nur Pixel, keine Buchstaben. Das führt zu handfesten Problemen im Alltag:
- Text kann nicht markiert, kopiert oder eingefügt werden
- Die Volltextsuche funktioniert nicht
- Screenreader für Barrierefreiheit können den Inhalt nicht vorlesen
- Dokumente lassen sich nicht automatisch weiterverarbeiten oder archivieren
- Bearbeitungen im Originaltext sind nicht möglich
Sobald Sie Text aus einem Scan extrahieren, öffnen sich diese Möglichkeiten. Das ist besonders wichtig für Unternehmen, die große Mengen an Papierdokumenten verwalten, oder für Privatpersonen, die alte Unterlagen digital nutzbar machen wollen.
Der Unterschied: Durchsuchbares PDF vs. reines Bild-PDF
Nicht jede PDF-Datei ist gleich. Es gibt zwei grundlegende Typen:
- Bild-PDF: Der Scan wurde einfach als Bild gespeichert. Es sieht aus wie Text, ist aber keiner. Kein Kopieren, keine Suche möglich.
- Durchsuchbares PDF: Unter dem Bild liegt eine unsichtbare Textebene. Diese entsteht durch OCR (Optical Character Recognition) – die Software hat die Buchstaben erkannt und hinterlegt.
Ein durchsuchbares PDF ist in den meisten Fällen das Ziel der Textextraktion. Es behält das ursprüngliche Erscheinungsbild und macht den Text gleichzeitig zugänglich.
Schritt-für-Schritt: Text mit OCR extrahieren
- Datei vorbereiten: Stellen Sie sicher, dass der Scan eine ausreichende Auflösung hat (mindestens 300 dpi). Unscharfe oder schiefe Scans liefern schlechtere Ergebnisse.
- OCR-Tool auswählen: Wählen Sie ein geeignetes Programm oder einen Online-Dienst (siehe nächster Abschnitt).
- Datei hochladen oder öffnen: Laden Sie Ihr Bild oder Ihre Bild-PDF in das Tool.
- Sprache einstellen: Wählen Sie Deutsch als Erkennungssprache, damit Umlaute und ß korrekt erkannt werden.
- OCR starten: Der Prozess dauert je nach Seitenzahl wenige Sekunden bis Minuten.
- Ergebnis prüfen: Lesen Sie den extrahierten Text durch und korrigieren Sie Fehler, besonders bei schlecht lesbaren Originalen.
- Speichern: Exportieren Sie das Ergebnis als durchsuchbares PDF, Word-Dokument oder reinen Text.
Tools für die Textextraktion
Adobe Acrobat
Adobe Acrobat Pro bietet eine der zuverlässigsten OCR-Funktionen auf dem Markt. Unter „Werkzeuge” findet sich die Funktion „PDF scannen” oder „Text erkennen”. Die Erkennungsrate ist hoch, besonders bei sauberen Scans. Nachteil: kostenpflichtig und für gelegentliche Nutzung oft überdimensioniert.
Online-Tools
Für gelegentliche Aufgaben sind Online-Dienste ideal:
- Smallpdf, ILovePDF: Einfache Oberfläche, schnelle Verarbeitung, begrenzte Seiten in der Gratisvariante
- PDF24: Kostenlos, keine Registrierung nötig, deutschsprachige Oberfläche
- Google Drive: PDFs direkt in Google Docs öffnen – dabei wird automatisch OCR angewendet
Kostenlose Desktop-Optionen
- Tesseract OCR: Leistungsstarke Open-Source-Engine, die von vielen anderen Tools genutzt wird. Erfordert etwas technisches Grundwissen.
- NAPS2 (Windows): Scanner-Software mit integriertem OCR, einfach zu bedienen
- FreeOCR: Einsteigerfreundlich, unterstützt viele Sprachen
Tipps für bessere Erkennungsgenauigkeit
Die Qualität des Scans entscheidet maßgeblich über die OCR-Genauigkeit. Diese Punkte helfen:
- Auflösung erhöhen: Mindestens 300 dpi, für kleine Schriften 400–600 dpi empfohlen
- Graustufen oder Schwarzweiß: Oft bessere Ergebnisse als Farbscan bei Textdokumenten
- Kontrast verbessern: Vergilbtes oder blasses Papier vor dem Scan mit Bildbearbeitung aufhellen
- Gerade ausrichten: Schiefe Dokumente unbedingt gerade einlegen oder danach digital begradigen
- Saubere Originale: Flecken, Knicke und Lochrandstreifen können die Erkennung stören
- Richtige Sprache wählen: Im OCR-Tool immer die Sprache des Dokuments einstellen
Was Sie mit dem extrahierten Text machen können
Einmal extrahiert, eröffnet der Text viele Möglichkeiten:
- In Textverarbeitungsprogrammen wie Word oder LibreOffice weiterbearbeiten
- In Datenbanken oder Dokumentenmanagementsysteme importieren
- Volltextsuche über große Dokumentenmengen hinweg nutzen
- Automatische Übersetzung über Dienste wie DeepL
- Barrierefreie Dokumente erstellen, die Screenreader vorlesen können
- Inhalte für Websites oder digitale Archive aufbereiten
Grenzen und häufige Fehler
OCR ist leistungsfähig, aber nicht fehlerfrei. Diese Einschränkungen sollten Sie kennen:
- Handschrift: Gedruckter Text wird gut erkannt, Handschriften hingegen bereiten den meisten Tools große Schwierigkeiten. Spezielle Handschrift-OCR ist separat erhältlich.
- Schlechte Scans: Sehr dunkle, unscharfe oder stark beschädigte Dokumente liefern oft fehlerhafte Ergebnisse.
- Komplexe Layouts: Tabellen, mehrspaltige Layouts oder Formulare werden manchmal falsch rekonstruiert.
- Sonderzeichen und Fachbegriffe: Ungewöhnliche Schriftarten oder Fachabkürzungen können falsch interpretiert werden.
- Datenschutz: Beim Upload sensibler Dokumente auf Online-Dienste unbedingt die Datenschutzbestimmungen lesen.
Eine Nachkontrolle des extrahierten Textes ist bei wichtigen Dokumenten immer empfehlenswert. Besonders Zahlen, Namen und Daten sollten sorgfältig geprüft werden.
Direkt im Browser erledigen — die Datei verlässt Ihr Gerät nicht: PDF-Tools
