PDF in Text umwandeln – mit OCR

Nicht jedes PDF speichert Text auf dieselbe Weise. Ein PDF, das aus einer Textverarbeitung, einem Browser oder einer Buchhaltungssoftware exportiert wurde, enthält meist eine Textebene: die eigentlichen Zeichen, ihre Schriften und ihre Position auf der Seite. Ein gescanntes PDF oder eines aus Handyfotos ist anders. Jede Seite ist nur ein Bild, es gibt also keine Zeichen zum Kopieren, und das Markieren von Text im PDF-Viewer bewirkt nichts.

Krawly verarbeitet beides in einem Durchgang. Für jede Seite sucht das Tool zuerst mit PDF.js, der PDF-Bibliothek von Mozilla, nach einer eingebetteten Textebene. Hat die Seite eine, wird der Text direkt ausgelesen. Das ist exakt, weil die Zeichen gelesen werden, die das Dokument bereits enthält, und es geht nahezu sofort. Nur Seiten ohne Textebene werden mit 300 DPI zu einem Bild gerendert und in der gewählten Sprache an die Tesseract-OCR-Engine übergeben.

Das zählt bei gemischten Dokumenten, die häufiger sind, als man denkt: ein Vertrag mit eingescannter Unterschriftenseite, ein Bericht mit kopierten Anhängen oder ein Formular, das ausgedruckt, ausgefüllt und wieder eingescannt wurde. Wer die Textebene liest, wo sie existiert, bringt keine OCR-Fehler in Seiten, die bereits perfekt waren, und spart bei langen Dokumenten Zeit. Die Ausgabe zeigt, welche Seiten per OCR gelesen wurden – Sie wissen also, wo Sie Korrektur lesen sollten.

Manchmal hat ein PDF eine Textebene, aber der ausgelesene Text ist Unsinn: zufällige Symbole, Buchstaben in falscher Reihenfolge, fehlende Leerzeichen oder Kästchen statt Umlauten. Das liegt meist daran, wie das PDF erzeugt wurde. Manche Programme betten Schriften ohne korrekte Zuordnung von Glyphen zu Zeichen ein, und manche Scan-Software legt eine unsichtbare OCR-Ebene schlechter Qualität über das Seitenbild.

Schalten Sie in diesen Fällen „OCR auf jeder Seite erzwingen“ ein. Das Tool ignoriert dann den eingebetteten Text, rendert jede Seite mit 300 DPI und liest, was sichtbar darauf gedruckt ist. Sie tauschen Geschwindigkeit gegen Zuverlässigkeit: OCR auf jeder Seite dauert spürbar länger als das Lesen einer Textebene, besonders auf dem Handy, aber das Ergebnis entspricht dem, was Sie tatsächlich auf dem Bildschirm sehen.

Bei normalen digitalen PDFs ist erzwungene OCR nicht nötig. Sieht der extrahierte Text sauber aus, ist die Textebene die genauere Quelle, weil sie die exakten Zeichen enthält statt einer Interpretation von Pixeln.

Die OCR liest gescannte Seiten mit einem Sprachmodell, deshalb ist die Spracheinstellung für jede Seite wichtig, die OCR braucht. Krawly unterstützt Englisch, Spanisch, Portugiesisch, Französisch, Deutsch, Italienisch, Niederländisch, Türkisch, Polnisch, Russisch, Ukrainisch, Arabisch, Hindi, Japanisch, Chinesisch (vereinfacht und traditionell), Koreanisch, Vietnamesisch und Indonesisch, und Sie können bis zu drei davon kombinieren. Bei einem deutschen Vertrag mit englischer Anlage oder einem ukrainischen Dokument mit russischen Zitaten sollten beide Sprachen ausgewählt sein.

Seiten, die bereits eine Textebene haben, sind von der Sprachwahl nicht betroffen, weil ihre Zeichen direkt gelesen werden. Ein digitales PDF in jeder beliebigen Schrift – nicht nur in den Sprachen der Liste – lässt sich also trotzdem auslesen, sofern das PDF seinen Text korrekt speichert.

Jedes Sprachmodell wird bei der ersten Auswahl heruntergeladen, einige Megabyte pro Sprache, und dann von Ihrem Browser im Cache gespeichert. Wenn Sie nur die Sprachen wählen, die tatsächlich im Dokument vorkommen, ist der erste Durchgang kürzer.

PDFs, aus denen Text gebraucht wird, sind oft die sensiblen: Kontoauszüge, Gehaltsabrechnungen, Arztbriefe, unterschriebene Verträge, Steuerformulare und eingescannte Reisepässe. Bei Krawly läuft der gesamte Vorgang in Ihrem Browser mit PDF.js und Tesseract.js, kompiliert nach WebAssembly. Das PDF wird nie auf die Server von Krawly hochgeladen, und der extrahierte Text ebenso wenig.

Ihr Browser lädt nur Programmdateien herunter, nämlich die OCR-Engine und die Sprachmodelle. Ist das PDF passwortgeschützt, wird das Passwort lokal eingegeben und zum Öffnen der Datei verwendet. Nichts wird gespeichert, und das Schließen des Tabs verwirft Dokument und Ergebnisse.

Der Nachteil der lokalen Verarbeitung: Die Geschwindigkeit hängt von Ihrem Gerät ab. Seiten mit Textebene gehen überall schnell, OCR auf vielen gescannten Seiten kann auf einem älteren Handy eine Weile dauern. PDFs bis 200 MB werden unterstützt, und das Tool funktioniert in aktuellen Versionen von Chrome, Edge, Firefox und Safari auf Desktop und Mobilgeräten. Es ist kostenlos, ohne Anmeldung und ohne Tageslimit.