Een PDF naar Word omzetten met OCR in 3 stappen
- Upload de gescande PDF in de converter hierboven (tot 100 MB).
- Converteer. De converter zoekt eerst naar een tekstlaag. Heeft de PDF die niet, dan rendert hij de eerste 10 pagina's op 300 DPI en leest ze met Tesseract OCR.
- Download de DOCX. OCR-uitvoer bestaat uit gewone alinea's: de tekst is bewerkbaar, maar de oorspronkelijke lay-out, tabellen en afbeeldingen worden niet opnieuw opgebouwd.
De converter op deze pagina leest Engels. De pagina van de PDF-naar-Word-converter (cleverutils.com/pdf-to-docx) heeft een taalmenu met 14 OCR-talen: Engels, Frans, Duits, Spaans, Italiaans, Portugees, Russisch, Oekraïens, Pools, Nederlands, Turks, Arabisch, Japans en Koreaans.
Wat is OCR?
Optische tekenherkenning (OCR) is een technologie die afbeeldingen van tekst omzet in machineleesbare, bewerkbare tekst. Wanneer u een papieren document scant, maakt de scanner een foto van elke pagina. OCR-software analyseert die foto, identificeert individuele tekens en levert de bijbehorende tekst.
Het OCR-proces bestaat doorgaans uit meerdere stappen:
- Voorbewerking van de afbeelding: scheve paginas rechtzetten, ruis verwijderen, contrast aanpassen en de afbeelding binariseren (omzetten naar zwart-wit)
- Tekstdetectie: identificeren van gebieden in de afbeelding die tekst bevatten ten opzichte van afbeeldingen, randen of lege ruimte
- Tekenherkenning: analyse van individuele tekenvormen en vergelijking met bekende letterpatronen
- Nabewerking: toepassen van woordenboekherkenning en taalregels om veelvoorkomende herkenningsfouten te corrigeren
Gescande vs native PDFs
Het verschil begrijpen tussen gescande en native PDFs is cruciaal om de juiste conversieaanpak te kiezen:
| Kenmerk | Native (digitale) PDF | Gescande PDF |
|---|---|---|
| Gemaakt door | Export vanuit Word, browserprint enz. | Scanner, camera, faxapparaat |
| Inhoud | Gestructureerde tekstgegevens | Afbeeldingen van paginas |
| Tekst selecteerbaar? | Ja | Nee |
| Doorzoekbaar? | Ja | Nee (zonder OCR) |
| OCR nodig? | Nee — tekst direct geextraheerd | Ja — vereist voor tekstextractie |
| Conversienauwkeurigheid | Exact (tekst wordt gekopieerd, niet herkend) | Afhankelijk van scankwaliteit |
Snelle test: open de PDF en probeer tekst met de muis te selecteren. Als u afzonderlijke woorden kunt markeren, is het een native PDF. Als klikken de hele pagina als één afbeelding selecteert, is het een gescande PDF die OCR nodig heeft. Native bestanden hebben geen OCR nodig; lees in dat geval hoe u een native PDF naar Word converteert zonder opmaakverlies.
Factoren die de OCR-nauwkeurigheid beinvloeden
OCR-nauwkeurigheid varieert sterk afhankelijk van de invoerkwaliteit. Dit zijn de belangrijkste factoren:
Scanresolutie (DPI)
Resolutie is de belangrijkste individuele factor. Hogere DPI betekent meer pixelinformatie waarmee de OCR-engine kan werken:
- 150 DPI: minimum voor OCR. Werkt bij grote, heldere lettertypes; kleine tekst levert veel fouten op.
- 300 DPI: aanbevolen standaard. Goede balans tussen bestandsgrootte en nauwkeurigheid bij schone tekst. Onze OCR rendert pagina's op 300 DPI.
- 600 DPI: beste voor zeer kleine tekst en dichte documenten. Grotere bestanden, tragere verwerking.
Beeldkwaliteit
Naast resolutie beinvloeden verschillende kwaliteitsfactoren de OCR-resultaten:
- Contrast: hoog contrast tussen tekst en achtergrond levert de beste resultaten. Vervaagde tekst op verouderd papier is moeilijker te herkennen.
- Uitlijning: rechte, goed uitgelijnde paginas leveren betere resultaten dan scheve of geroteerde scans. De meeste OCR-engines bevatten deskewing, maar recht beginnen is beter.
- Ruis: spikkels, vegen, koffievlekken en scanartefacten verlagen de nauwkeurigheid. Schone originelen scannen beter.
- Schaduwen: boekruggen veroorzaken schaduwen in de bindmarge. Flatbed-scannen of een documentcamera gebruiken vermindert dit probleem.
Lettertype- en tekstkenmerken
Niet alle tekst is gelijkwaardig voor OCR-doeleinden:
- Standaardlettertypes (Times New Roman, Arial, Helvetica) — hoogste nauwkeurigheid
- Decoratieve lettertypes (script, ornamenteel) — lagere nauwkeurigheid
- Kleine tekst (onder 8 pt) — heeft hogere DPI nodig als compensatie
- Vette tekst — over het algemeen goed; zeer zware gewichten kunnen tekens samenvoegen
- Gekleurde tekst op gekleurde achtergrond — lager contrast verlaagt de nauwkeurigheid
OCR-resultaten verbeteren
Als uw initiele OCR-resultaten onbevredigend zijn, probeer dan deze voorbewerkingsstappen voor de conversie:
- Opnieuw scannen op hogere DPI: als u toegang hebt tot het originele document, scan opnieuw op 300 of 600 DPI.
- Scheve paginas rechtzetten: gebruik de auto-deskew-functie van uw scanner of zet afbeeldingen recht voor OCR.
- Contrast verhogen: als het origineel vervaagd is, pas dan helderheid en contrast van de scanner aan om de tekst donkerder en de achtergrond lichter te maken.
- Ruis verwijderen: gebruik despeckle-filters om scanartefacten en papierstructuur op te schonen.
- Marges bijsnijden: het verwijderen van grote lege marges, bindgaten en randartefacten helpt de OCR-engine zich te concentreren op de daadwerkelijke inhoud.
Beste werkwijze: scan documenten in kleur op 300+ DPI, zelfs als het origineel zwart-wit is. Kleurenscans behouden meer informatie voor de voorbewerkingsfase, ook al werkt OCR uiteindelijk op de gebinariseerde afbeelding.
Meertalige OCR
Moderne OCR-engines ondersteunen tientallen talen, inclusief die met niet-Latijnse schriften (Chinees, Japans, Koreaans, Arabisch, Cyrillisch, Devanagari). Belangrijke overwegingen voor meertalige documenten:
- Taalselectie: de juiste taal opgeven verbetert de nauwkeurigheid, omdat de OCR-engine taalspecifieke woordenboeken en tekensets gebruikt.
- Meertalige documenten: documenten met meerdere talen (gebruikelijk in academische papers) hebben mogelijk meerdere OCR-doorgangen of een meertalige configuratie nodig.
- Rechts-naar-links-schriften: Arabisch en Hebreeuws vereisen OCR-engines met goede ondersteuning voor bidirectionele tekst.
- CJK-tekens: Chinees, Japans en Koreaans hebben duizenden tekens met subtiele verschillen, wat gespecialiseerde herkenningsmodellen vereist.
Beperkingen van handschriftherkenning
Hoewel OCR-technologie aanzienlijk is verbeterd, blijft handschriftherkenning een uitdaging:
- Blokletters: nette, gescheiden blokletters worden deels herkend, met regelmatig fouten.
- Cursief handschrift: verbonden letters zijn extreem moeilijk voor standaard OCR-engines en komen er meestal onleesbaar uit.
- Individuele variatie: anders dan machinegedrukte tekst is ieders handschrift uniek, waardoor patroonherkenning onbetrouwbaar is.
- Gemengde inhoud: documenten met zowel gedrukte tekst als handgeschreven aantekeningen kunnen het best in twee stappen worden verwerkt — OCR op de gedrukte tekst en daarna handmatig transcriberen van het handschrift.
Andere gratis manieren om OCR op een PDF toe te passen
- Google Docs: upload de PDF naar Google Drive, klik er met de rechtermuisknop op en kies Openen met → Google Documenten. Drive voert OCR uit en opent de tekst, die u als .docx kunt downloaden. Hebt u alleen platte tekst nodig in plaats van een DOCX, lees dan hoe u tekst uit een PDF haalt.
- Windows 11: met Tekstacties in het Knipprogramma kopieert u tekst uit een schermafbeelding van een pagina, en Microsoft PowerToys bevat Text Extractor (Win+Shift+T). Voor één pagina die als JPG of PNG is opgeslagen, leest onze OCR-tool voor afbeelding naar tekst de tekst online.
- Mac: met Livetekst in Voorvertoning kunt u tekst in gescande pagina's en afbeeldingen selecteren en kopiëren (macOS Monterey en later).
- Tesseract: dezelfde opensource-engine die onze converter gebruikt, draait ook op uw eigen computer:
tesseract page.png output -l eng.