PDFs kostenlos online per OCR verarbeiten — gescannte PDFs durchsuchbar machen, Text per OCR extrahieren, durchsuchbare PDFs aus Bildern erstellen. Alles läuft in Ihrem Browser. Außerdem: PDF-Editor | Sicherheit | Komprimieren | Werkzeuge.
Hinweis zur Leistung: Die OCR lädt beim ersten Gebrauch etwa 12 MB Sprachdaten herunter. Die Verarbeitung ist rechenintensiv und läuft vollständig in Ihrem Browser. Bei großen Dokumenten (mehr als 10 Seiten) rechnen Sie mit mehreren Minuten. Die Ergebnisse hängen von der Scanqualität und der Sprache ab.
0%
0%
0%
0%
Scan→Durchsuchbar: Rendert jede PDF-Seite als Bild, führt eine OCR durch, um den Text zu erkennen, und erstellt dann ein neues PDF mit einer unsichtbaren Textebene über dem Seitenbild. Das resultierende PDF ist durchsuchbar und auswählbar.
Bild→PDF: Nimmt ein oder mehrere Bilder, führt auf jedem eine OCR durch und erstellt ein PDF, bei dem jedes Bild eine Seite ist und der erkannte Text als unsichtbare Überlagerung liegt. Ideal für Fotos von Dokumenten.
OCR-Text: Akzeptiert eine PDF- oder Bilddatei. Bei PDFs wird jede Seite als Bild gerendert und per OCR verarbeitet. Zeigt den erkannten Text an, den Sie kopieren können. Am besten geeignet, um Text aus gescannten Dokumenten zu extrahieren.
Tabellenextraktion: Rendert die PDF-Seite als Bild, führt eine OCR darauf aus und versucht, Tabellenstrukturen anhand der Textpositionen zu erkennen. Die Ergebnisse sind annähernd — komplexe Tabellen werden möglicherweise nicht perfekt rekonstruiert. Für exakte Tabellen verwenden Sie spezielle Extraktionswerkzeuge.
Was ist OCR?
Ein gescanntes PDF ist im Grunde ein Foto einer Seite: Für den Computer ist es ein Raster aus Pixeln, und nichts davon ist Text. OCR (Optische Zeichenerkennung) ist die Technik, die diese Pixel betrachtet und herausfindet, welche Zeichen sie darstellen. Das Ergebnis kann einfacher Text sein, den Sie kopieren (Modus OCR-Text), oder eine unsichtbare Textebene, die über das Seitenbild gelegt wird (Modi Scan→Durchsuchbar und Bild→PDF). Genau das macht ein gescanntes Dokument in jedem PDF-Betrachter durchsuchbar.
Die Kurzfassung: OCR errät Text aus den Formen der Tinte. Es ist Erkennung, kein Lesen — das Ergebnis ist eine bestmögliche Vermutung mit einem Vertrauenswert, nicht die Grundwahrheit, die ein nativ digital erstelltes PDF enthält.
Die OCR-Pipeline
Jede OCR-Engine folgt ungefähr denselben Stufen. Zuerst wird die Seite in ein Bild gerendert (bei PDFs wird jede Seite gerastert). Dann folgt die Binarisierung: Pixel werden als Tinte oder Papier klassifiziert, sodass die Engine mit schwarz-weißen Formen arbeitet. Die Formen werden dann in Zeilen, Wörter und einzelne Zeichen segmentiert. Schließlich wird jeder Kandidat klassifiziert — moderne Engines nutzen trainierte neuronale Netze, die ganze Textzeilen statt einzelner Buchstaben betrachten, weshalb sie unscharfe oder leicht schiefe Eingaben weit besser verarbeiten als ältere Einzelzeichen-Vergleiche. Auch die Sprache zählt: Die Engine verwendet sprachspezifische Wörterbücher und Zeichensätze, weshalb die Wahl der richtigen Sprache im Auswahlfeld oben die Genauigkeit erhöht.
Die unsichtbare Textebene
Ein „durchsuchbares PDF“ besteht aus zwei übereinanderliegenden Teilen: dem ursprünglichen Seitenbild, das Sie sehen, und einer unsichtbaren Textebene, die dahinter positioniert ist. Wenn Sie in Ihrem Betrachter Text markieren, markieren Sie tatsächlich diese verborgene Ebene. Am sichtbaren Scan ändert sich nichts — das Bild bleibt unberührt, daher bleiben Qualität und Aussehen gleich. Der Nachteil: Kopieren und Suchergebnisse sind nur so genau wie der darunterliegende OCR-Durchlauf. Wurde ein Wort falsch erkannt, findet die Suche nach der richtigen Schreibweise es nicht, weil die verborgene Ebene den Fehler enthält.
Warum die DPI alles entscheiden
Die Erkennungsgenauigkeit hängt davon ab, wie viele Pixel auf jedes Zeichen kommen. PDF-Seiten werden in Punkten gesetzt (72 pro Zoll), doch ein 10 pt-Zeichen schrumpft bei niedriger Auflösung auf eine Handvoll Pixel — bei 150 DPI ist ein 10 pt-Zeichen nur etwa 21 Pixel hoch, bei 300 DPI etwa 42 Pixel. Unterhalb von etwa 20 Pixeln verschmelzen Serifen, Buchstaben laufen ineinander, und die Genauigkeit fällt stark ab. Deshalb lautet die langjährige Scan-Empfehlung 300 DPI für OCR: Sie gibt jedem kleinen Zeichen genügend Pixeldetails, ohne die Dateigröße unnötig zu vergrößern. Noch höhere Werte helfen der Erkennung selten — sie machen den Scan vor allem größer und die OCR langsamer.
Wofür OCR nicht gut ist
Handschrift, verschnörkelte Schriften und Text über unruhigen Hintergründen bleiben Schwachstellen. Tabellen sind ein Sonderfall: OCR erkennt Zeichen und ihre Positionen, versteht aber nicht wirklich Zeilen und Spalten — der Modus Tabellenextraktion leitet die Struktur aus der Ausrichtung ab, weshalb komplexe Tabellen nur annähernd herauskommen. Und wenn ein PDF bereits echten Text enthält (es wurde aus Word exportiert, nicht gescannt), brauchen Sie überhaupt keine OCR: Der Text lässt sich direkt und genauer mit den PDF-Exportwerkzeugen extrahieren.
Häufige Missverständnisse
„Ein durchsuchbares PDF ist genau wie ein aus Word erstelltes PDF.“ Nein — die Textebene ist einfach erkannter Text. Beim Kopieren eines Absatzes kann das Layout verloren gehen, und jeder Erkennungsfehler steckt in der verborgenen Ebene.
„OCR stellt den Originaltext wieder her.“ Es rekonstruiert eine bestmögliche Vermutung davon. Eine Seite mit 99 % Genauigkeit hat immer noch etwa ein falsches Zeichen pro 100 — für die Suche reicht das, bei juristischen oder numerischen Inhalten ist es riskant.
„Mehr DPI ist immer besser.“ Jenseits von etwa 400–600 DPI bringt mehr Genauigkeit kaum etwas, während Dateigröße und Verarbeitungszeit weiter steigen. 300 DPI ist für übliche Dokumente der Sweetspot.
„Handyfotos funktionieren genauso gut wie Scans.“ Schiefe, ungleichmäßige Beleuchtung und Kameraverwacklung senken alle die Genauigkeit. Fotografieren Sie die Seite flach, frontal und gut ausgeleuchtet — oder verwenden Sie für wichtige Dokumente einen echten Scanner.
