Was ist OCR? Bedeutung, Funktionsweise und wann eine PDF es braucht
OCR steht für Optical Character Recognition – optische Zeichenerkennung. Sie verwandelt Bilder von Text in echten, durchsuchbaren Text. Was der Begriff bedeutet, was OCR-Scannen ist und ob Ihre PDF es braucht.
In einem Satz: OCR steht für Optical Character Recognition, die optische Zeichenerkennung – sie liest die Buchstaben in einem Bild und macht daraus echten Text, den Sie suchen, markieren und kopieren können.
Wenn Sie schon einmal eine gescannte PDF geöffnet und festgestellt haben, dass Sie die Wörter nicht markieren oder mit Strg+F suchen konnten, kennen Sie ein Dokument, das OCR braucht.
Was OCR bedeutet
Der Begriff lässt sich sauber zerlegen:
- Optical (optisch) – die Erkennung arbeitet auf einem Bild, so wie ein Auge es täte.
- Character (Zeichen) – sie identifiziert einzelne Buchstaben, Ziffern und Satzzeichen.
- Recognition (Erkennung) – sie entscheidet, welches Zeichen jede Form am wahrscheinlichsten darstellt.
OCR ist also der Vorgang, ein Bild von Schrift anzusehen und herauszufinden, was dort steht. Die Eingabe sind Pixel, die Ausgabe ist Text.
Was OCR bei einer PDF bedeutet: Eine PDF kann entweder echte Zeichen enthalten oder nur ein Bild der Seite. OCR nimmt die zweite Art und legt eine unsichtbare Ebene aus echtem Text exakt über das Bild. Optisch ändert sich nichts – aber das Dokument hört auf, eine Fotografie zu sein, und wird zu einem Dokument.
Was OCR-Scannen ist
Mit „OCR-Scannen“ meinen die meisten den gesamten Weg vom Papier zur durchsuchbaren Datei. Tatsächlich sind es zwei getrennte Schritte, die oft zusammengeworfen werden:
- Scannen – ein Scanner oder eine Handykamera erzeugt ein Bild der Seite. An diesem Punkt hat der Computer nur farbige Punkte. „Wörter“ gibt es in der Datei nicht.
- OCR – eine Software analysiert dieses Bild und ermittelt, welche Zeichen darin stehen.
Ein Scanner allein liefert keinen durchsuchbaren Text. Das ist das häufigste Missverständnis rund um den Begriff: Wenn Ihr Scanner eine PDF erzeugt hat, in der Sie nicht suchen können, hat er Schritt eins erledigt und Schritt zwei ausgelassen.
Wie OCR funktioniert
Moderne OCR läuft ungefähr so ab:
- Vorverarbeitung – das Bild wird geradegerückt und der Kontrast bereinigt, damit sich die Buchstaben vom Hintergrund abheben.
- Layoutanalyse – die Software erkennt, welche Bereiche Text sind und welche Fotos, Tabellen oder Leerraum. Auch die Lesereihenfolge wird bestimmt: Spalten, Überschriften, Bildunterschriften.
- Zeichenerkennung – jede Form wird mit einem Modell davon abgeglichen, wie Buchstaben in der gewählten Sprache aussehen.
- Sprachkorrektur – Wörterbuch und statistisches Modell korrigieren unwahrscheinliche Ergebnisse. Deshalb wird „rn“ meist nicht zu „m“, und deshalb ist die richtige Sprachwahl so wichtig.
- Ausgabe – der erkannte Text wird als unsichtbare, am Originalbild ausgerichtete Ebene zurückgeschrieben.
Wann braucht man OCR?
Sie brauchen OCR, wenn die PDF bildbasiert ist und Sie:
- das Dokument mit Strg+F durchsuchen,
- Text daraus kopieren,
- es an andere Werkzeuge weitergeben (Übersetzung, Indexierung, Datenextraktion),
- oder Barrierefreiheit erfüllen möchten – Screenreader brauchen echten Text, ein Bild von Text ist für sie unsichtbar.
Für PDFs, die aus Word, einem Browser oder einer App exportiert wurden, brauchen Sie kein OCR. Diese enthalten bereits echte Zeichen; OCR darauf anzuwenden bringt nichts.
So erkennen Sie, ob eine PDF OCR braucht
Der schnellste Test dauert zwei Sekunden: Datei öffnen und versuchen, eine Textzeile zu markieren.
| Was passiert | Was es bedeutet |
|---|---|
| Einzelne Wörter werden hervorgehoben | Bereits echter Text – kein OCR nötig |
| Die ganze Seite wird als ein Block markiert, oder nichts lässt sich markieren | Es ist ein Bild – OCR nötig |
| Strg+F findet nichts, was sichtbar auf der Seite steht | Es ist ein Bild – OCR nötig |
Ein zweiter Hinweis ist die Dateigröße. Eine zehnseitige Text-PDF liegt oft unter 200 KB; zehn gescannte Seiten sind meist mehrere Megabyte groß, weil jede Seite eine Fotografie ist.
Was die OCR-Genauigkeit bestimmt
Die Genauigkeit entscheidet sich größtenteils, bevor OCR überhaupt läuft – über die Bildqualität:
- Auflösung. 300 DPI ist der praktische Idealwert. Unter etwa 200 DPI verlieren Buchstaben die Details, die nötig sind, um ähnliche Formen zu unterscheiden.
- Geradheit. Schiefe Seiten verschlechtern das Ergebnis messbar. Die meiste Software richtet automatisch gerade, aber gerade anzufangen ist besser.
- Kontrast und Beleuchtung. Schatten auf einem Handyfoto oder ein grauer Scan einer grauen Seite verwischen die Grenze zwischen Tinte und Papier.
- Sprachauswahl. Die richtige Sprache aktiviert den passenden Zeichensatz und das passende Wörterbuch. Bei Umlauten und Sonderzeichen – ä, ö, ü, ß – macht das einen enormen Unterschied; mit falschem Sprachmodell werden sie häufig falsch gelesen.
- Schriftart und Zustand. Sauber gedruckter Text wird nahezu perfekt gelesen. Handschrift, Zierschriften, verblasste Thermobelege und überstempelter Text sind deutlich schwieriger.
Was OCR nicht leistet
Diese Punkte überraschen häufig, deshalb gleich vorweg:
- Sie macht die PDF nicht bearbeitbar. OCR macht Text durchsuchbar; sie baut das Dokument nicht in bearbeitbare Absätze um. Dafür brauchen Sie eine PDF-zu-Word-Umwandlung als separaten Schritt.
- Sie liest Handschrift nicht zuverlässig. Handschrifterkennung ist ein anderes Problem (manchmal ICR, Intelligent Character Recognition, genannt) und die Ergebnisse schwanken stark.
- Sie verbessert das Bild nicht. Die Seite sieht genauso aus wie vorher. OCR arbeitet hinter dem Bild, nicht daran.
- Sie ist nicht fehlerfrei. Bei sauberen Scans sind Fehler selten, aber nicht ausgeschlossen. Bei rechtlich oder finanziell wichtigen Dokumenten sollten Sie das Ergebnis prüfen.
Eine PDF durchsuchbar machen
Sobald Sie wissen, dass ein Dokument ein Scan ist, dauert OCR nur Sekunden. Sehen Sie sich die Schritt-für-Schritt-Anleitung zum Durchsuchbarmachen einer gescannten PDF an oder gehen Sie direkt zum OCR-Werkzeug – kostenlos nutzbar, ohne Konto.