OCR PDF

Was ist OCR und was ändert sich, nachdem du es ausgeführt hast?

Die optische Zeichenerkennung (OCR) verwandelt ein Bild von Text in echte Textzeichen, die ein Computer kopieren, durchsuchen und indexieren kann. Ein „gescanntes“ PDF ist nichts weiter als ein Stapel von Seitenbildern, eingeklebt in einen PDF-Container; die Wörter, die du siehst, sind Pixel, keine Buchstaben. Nach der OCR hat das Dokument eine unsichtbare Textebene, die über diesen Pixeln liegt (sodass es identisch aussieht, aber Strg+F funktioniert), oder du hast den Text in eine reine .txt-Datei extrahiert, die du anderswo einfügen kannst. Beide Modi werden oben angeboten.

So funktioniert OCR auf dieser Seite

Wir verwenden Tesseract.js — die WebAssembly-Kompilierung der quelloffenen Tesseract-Engine von Google —, die innerhalb deines Browser-Tabs läuft. Wenn du auf OCR ausführen klickst:

1. Jede Seite deines PDFs wird mit PDF.js bei 300 DPI auf ein Canvas gerastert.
2. Die Canvas-Pixel werden an Tesseract.js übergeben, das den erkannten Text plus die Begrenzungsrahmen pro Zeile zurückgibt.
3. Für das durchsuchbare PDF kopieren wir deine Originalseiten in ein neues PDF und legen den erkannten Text mit Deckkraft 0 darüber: für das Auge unsichtbar, aber markierbar und durchsuchbar.
4. Für Nur Text verketten wir den Text jeder Seite zu einer einzigen .txt-Datei.

Nichts in dieser Pipeline ruft einen Server auf: PDF.js, Tesseract.js und pdf-lib laufen clientseitig. Die einzige netzwerkbezogene Anfrage im Zusammenhang mit der OCR ist der einmalige Download des trainierten Sprachmodells (etwa 5 bis 15 MB pro Sprache), das dein Browser anschließend für das nächste Mal zwischenspeichert.

Ehrliche Erwartungen

• Sauberer gedruckter Text bei 300 DPI: in der Regel 95 % bis 98 % Genauigkeit pro Zeichen. Genug zum Durchsuchen und für Kopieren/Einfügen mit kleiner Korrektur.
• Niedrige Auflösung (unter 200 DPI) oder fotografierte Seiten: die Genauigkeit bricht ein; Tesseract braucht scharfe Buchstabenkanten. Scanne nach Möglichkeit erneut mit höherer DPI-Zahl.
• Mehrspaltige Layouts und Tabellen: der Text kommt zeilenweise über die Spalten hinweg zurück. Wir ordnen ihn nicht in eine logische Lesereihenfolge um. Erwäge für Tabellen PDF zu Excel.
• Handschrift: wird nicht zuverlässig unterstützt. Tesseract ist mit gedruckter Typografie trainiert; handschriftliche Zeichen kommen meist unleserlich zurück.
• Starke Mischung von Alphabeten: wenn eine Seite halb Arabisch und halb Lateinisch ist, wähle das vorherrschende. OCR mit mehreren Alphabeten ist möglich, aber langsamer und ungenauer.

Datenschutz und Sicherheit

OCR ist eine Kategorie, in der die Verarbeitung im Browser besonders wertvoll ist. Gescannte Dokumente gehören oft zum Sensibelsten, das Menschen besitzen — Passkopien, Steuererklärungen, Verträge, Patientenakten, Mietverträge —, und sie an einen Server eines Dritten zu senden, erzeugt eine Spur, die du nicht löschen kannst. Weil jedes Byte der Pipeline lokal läuft, gibt es keinen Upload zu protokollieren, keine temporäre Datei zu beschlagnahmen und keinen Aufbewahrungszeitraum, dem man vertrauen müsste. Die OCR-Engine selbst ist quelloffen und überprüfbar.