PDF per OCR in Word umwandeln: 3 Schritte
- Laden Sie das gescannte PDF im Konverter oben hoch (bis zu 100 MB).
- Konvertieren. Der Konverter sucht zuerst nach einer Textebene. Hat das PDF keine, rendert er die ersten 10 Seiten mit 300 DPI und liest sie mit Tesseract-OCR aus.
- DOCX herunterladen. Die OCR-Ausgabe besteht aus einfachen Absätzen: Der Text ist bearbeitbar, aber das ursprüngliche Layout, Tabellen und Bilder werden nicht nachgebaut.
Der Konverter auf dieser Seite erkennt Englisch. Die Seite des PDF-zu-Word-Konverters (cleverutils.com/pdf-to-docx) bietet ein Sprachmenü mit 14 OCR-Sprachen: Englisch, Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch, Russisch, Ukrainisch, Polnisch, Niederländisch, Türkisch, Arabisch, Japanisch und Koreanisch.
Was ist OCR?
Die optische Zeichenerkennung (OCR) ist eine Technologie, die Bilder von Text in maschinenlesbaren, bearbeitbaren Text umwandelt. Wenn Sie ein Papierdokument scannen, erstellt der Scanner eine Fotografie jeder Seite. OCR-Software analysiert diese Fotografie, erkennt einzelne Zeichen und gibt den entsprechenden Text aus.
Der OCR-Prozess umfasst in der Regel mehrere Schritte:
- Bildvorverarbeitung: Begradigen schiefer Seiten, Entfernen von Rauschen, Anpassen des Kontrasts und Binarisierung des Bildes (Umwandlung in Schwarz-Weiss)
- Texterkennung: Identifizieren von Bildbereichen mit Text im Gegensatz zu Bildern, Rahmen oder Leerflachen
- Zeichenerkennung: Analyse einzelner Zeichenformen und Abgleich mit bekannten Buchstabenmustern
- Nachbearbeitung: Anwendung von Worterbuchabgleich und Sprachregeln zur Korrektur haufiger Erkennungsfehler
Gescannte vs. native PDFs
Den Unterschied zwischen gescannten und nativen PDFs zu verstehen, ist entscheidend fur die Wahl des richtigen Konvertierungsansatzes:
| Merkmal | Natives (digitales) PDF | Gescanntes PDF |
|---|---|---|
| Erstellt durch | Export aus Word, Browser-Druck usw. | Scanner, Kamera, Faxgerät |
| Inhalt | Strukturierte Textdaten | Bilder der Seiten |
| Text markierbar? | Ja | Nein |
| Durchsuchbar? | Ja | Nein (ohne OCR) |
| OCR erforderlich? | Nein — Text wird direkt extrahiert | Ja — für die Textextraktion notwendig |
| Konvertierungsgenauigkeit | Exakt (Text wird kopiert, nicht erkannt) | Abhängig von der Scanqualität |
Schnelltest: Öffnen Sie das PDF und versuchen Sie, Text mit der Maus zu markieren. Wenn Sie einzelne Wörter hervorheben können, handelt es sich um ein natives PDF. Wird beim Klicken die gesamte Seite als ein einziges Bild ausgewählt, ist es ein gescanntes PDF, das OCR benötigt. Bei nativen Dateien entfällt die OCR; lesen Sie stattdessen, wie Sie ein natives PDF ohne Formatierungsverlust in Word umwandeln.
Faktoren, die die OCR-Genauigkeit beeinflussen
Die OCR-Genauigkeit variiert erheblich je nach Eingabequalitat. Hier die wichtigsten Faktoren:
Scan-Auflosung (DPI)
Die Auflosung ist der wichtigste einzelne Faktor. Hohere DPI bedeutet mehr Pixelinformationen, mit denen die OCR-Engine arbeiten kann:
- 150 DPI: Minimum für OCR. Funktioniert bei großen, klaren Schriften; kleiner Text führt zu vielen Fehlern.
- 300 DPI: Empfohlener Standard. Gute Balance zwischen Dateigröße und Genauigkeit bei sauberem Text. Unsere OCR rendert Seiten mit 300 DPI.
- 600 DPI: Am besten für sehr kleine Schrift und dichte Dokumente. Größere Dateien, langsamere Verarbeitung.
Bildqualitat
Neben der Auflosung beeinflussen mehrere Bildqualitatsfaktoren die OCR-Ergebnisse:
- Kontrast: Hoher Kontrast zwischen Text und Hintergrund liefert die besten Ergebnisse. Verblasster Text auf alterndem Papier ist schwerer zu erkennen.
- Ausrichtung: Gerade, korrekt ausgerichtete Seiten liefern bessere Ergebnisse als schiefe oder gedrehte Scans. Die meisten OCR-Engines enthalten eine Entzerrung, aber mit geraden Scans zu beginnen ist besser.
- Rauschen: Flecken, Verschmierungen, Kaffeeflecken und Scanner-Artefakte mindern die Genauigkeit. Saubere Originale scannen besser.
- Schatten: Buchrucken erzeugen Schatten im Bundsteg. Flachbettscannen oder eine Dokumentenkamera reduziert dieses Problem.
Schriftart und Texteigenschaften
Nicht jeder Text ist fur OCR gleich geeignet:
- Standard-Schriften (Times New Roman, Arial, Helvetica) — hochste Genauigkeit
- Dekorative Schriften (Schreibschrift, ornamental) — geringere Genauigkeit
- Kleiner Text (unter 8 pt) — benotigt hoheres DPI zum Ausgleich
- Fetter Text — generell gut; sehr schwere Strichstarken konnen Zeichen verschmelzen
- Farbiger Text auf farbigem Hintergrund — reduzierter Kontrast senkt die Genauigkeit
OCR-Ergebnisse verbessern
Wenn Ihre ersten OCR-Ergebnisse unbefriedigend sind, versuchen Sie diese Vorverarbeitungsschritte vor der Konvertierung:
- Mit hoherem DPI neu scannen: Wenn Sie Zugang zum Originaldokument haben, scannen Sie mit 300 oder 600 DPI neu.
- Schiefe Seiten begradigen: Nutzen Sie die Auto-Deskew-Funktion Ihres Scanners oder begradigen Sie Bilder vor der OCR.
- Kontrast erhohen: Wenn das Original verblasst ist, passen Sie Helligkeit und Kontrast des Scanners an, um den Text zu dunkeln und den Hintergrund aufzuhellen.
- Rauschen entfernen: Verwenden Sie Entsprenkler-Filter, um Scanner-Artefakte und Papierstruktur zu bereinigen.
- Rander beschneiden: Das Entfernen grosser leerer Rander, Lochbindungen und Kantenartefakte hilft der OCR-Engine, sich auf den eigentlichen Inhalt zu konzentrieren.
Bewahrte Praxis: Scannen Sie Dokumente in Farbe mit mindestens 300 DPI, auch wenn das Original schwarz-weiss ist. Farbscans bewahren mehr Informationen fur die Vorverarbeitungsphase, obwohl OCR letztlich auf dem binarisierten Bild arbeitet.
Mehrsprachige OCR
Moderne OCR-Engines unterstutzen Dutzende von Sprachen, einschliesslich solcher mit nicht-lateinischen Schriften (Chinesisch, Japanisch, Koreanisch, Arabisch, Kyrillisch, Devanagari). Wichtige Uberlegungen fur mehrsprachige Dokumente:
- Sprachauswahl: Die Angabe der richtigen Sprache verbessert die Genauigkeit, da die OCR-Engine sprachspezifische Wörterbücher und Zeichensätze verwendet.
- Gemischtsprachige Dokumente: Dokumente mit mehreren Sprachen (häufig in wissenschaftlichen Arbeiten) können mehrere OCR-Durchläufe oder eine Mehrsprachen-Konfiguration erfordern.
- Rechts-nach-links-Schriften: Arabisch und Hebräisch benötigen OCR-Engines mit korrekter Unterstützung für bidirektionalen Text.
- CJK-Zeichen: Chinesisch, Japanisch und Koreanisch umfassen Tausende von Zeichen mit feinen Unterschieden und erfordern daher spezialisierte Erkennungsmodelle.
Grenzen der Handschrifterkennung
Obwohl die OCR-Technologie erhebliche Fortschritte gemacht hat, bleibt die Handschrifterkennung eine Herausforderung:
- Druckschrift: Saubere, getrennte Druckbuchstaben werden teilweise erkannt, allerdings mit häufigen Fehlern.
- Schreibschrift: Verbundene Buchstaben sind für gängige OCR-Engines extrem schwierig und ergeben meist unlesbaren Text.
- Individuelle Variation: Im Gegensatz zu maschinengedrucktem Text ist die Handschrift jedes Menschen einzigartig, was den Musterabgleich unzuverlässig macht.
- Gemischte Inhalte: Dokumente mit gedrucktem Text und handschriftlichen Anmerkungen werden am besten in zwei Schritten verarbeitet — zuerst OCR für den gedruckten Text, dann manuelle Transkription der Handschrift.
Weitere kostenlose Möglichkeiten für OCR bei PDFs
- Google Docs: Laden Sie das PDF in Google Drive hoch, klicken Sie mit der rechten Maustaste darauf und wählen Sie Öffnen mit → Google Docs. Drive führt eine OCR durch und öffnet den Text, den Sie als .docx herunterladen können. Wenn Sie statt einer DOCX-Datei nur reinen Text brauchen, lesen Sie, wie Sie Text aus einem PDF extrahieren.
- Windows 11: Die Textaktionen des Snipping Tools kopieren Text aus einem Screenshot einer Seite, und Microsoft PowerToys enthält den Text Extractor (Win+Shift+T). Für eine einzelne Seite, die als JPG oder PNG gespeichert ist, liest unser OCR-Tool für Bild zu Text den Text online aus.
- Mac: Mit Live Text in der Vorschau-App können Sie Text in gescannten Seiten und Bildern markieren und kopieren (ab macOS Monterey).
- Tesseract: Dieselbe Open-Source-Engine, die unser Konverter verwendet, läuft auch auf Ihrem Computer:
tesseract page.png output -l eng.