OCR PDF

Öffnen Sie die Datei in einem beliebigen Viewer und versuchen Sie, eine Textzeile auszuwählen. Wird nichts markiert oder findet die Suche keine Treffer, sind die Seiten nur Bilder (ein Scan oder ein Foto), und OCR fügt den fehlenden Text hinzu. Eine PDF, die bereits auswählbaren Text hat, braucht dieses Werkzeug nicht.

Über 100 Tesseract-Sprachpakete sind aufgelistet, von Englisch und Spanisch bis Arabisch, Hindi, Japanisch und Chinesisch. Haken Sie jede Sprache an, die im Dokument vorkommt; die Pakete werden gemeinsam geladen, sodass Seiten mit gemischten Sprachen in einem Durchgang erkannt werden. Manche selbst gehosteten Installationen bündeln eine kürzere Liste und weisen oberhalb der Sprachauswahl darauf hin.

Nein. Die Originalseiten werden unverändert kopiert und eine unsichtbare Textebene darübergelegt, Wort für Wort passend zum Scan positioniert. Sie sehen dasselbe Bild wie zuvor, können den Text aber nun durchsuchen, auswählen und kopieren.

Hoch (288 DPI) ist die Voreinstellung und eignet sich für typische Büro-Dokumente. Wechseln Sie zu Standard (192 DPI), wenn es auf Tempo ankommt oder die Datei lang ist, und nutzen Sie Ultra (384 DPI) für Kleingedrucktes, Fußnoten oder schlechte Scans. Höhere Einstellungen dauern spürbar länger, da jede Seite vor der Erkennung in dieser Größe gerendert wird.

Sie beschränkt die Ausgabe auf einen festen Zeichensatz, was Fehler wie ein kleines l verringert, das als 1 gelesen wird. Die Voreinstellung Rechnung erlaubt nur Ziffern und die Symbole $ . , / - # :, Nur Zahlen eignet sich für Seriennummern oder Zählerstände, und Benutzerdefiniert lässt Sie einen eigenen Zeichensatz eingeben.

Nicht zuverlässig. Tesseract ist auf gedruckten Text trainiert, saubere Blockbuchstaben funktionieren daher manchmal, Schreibschrift erzeugt aber meist Datenmüll. Die Ergebnisse sind bei sauberen, gut beleuchteten gedruckten Seiten am besten; die Option Binarisieren hilft bei verblassten oder kontrastarmen Scans, und PDF entzerren richtet schiefe Seiten vorher gerade.

Ja. Wenn OCR abgeschlossen ist, erscheint der extrahierte Text in einem Feld, in dem Sie ihn prüfen, in die Zwischenablage kopieren oder als ocr-text.txt herunterladen können. Der Download der durchsuchbaren PDF-Datei ist davon unabhängig, Sie können also beides oder nur eines davon herunterladen.

Nein. Tesseract läuft als WebAssembly in Ihrem Browser; heruntergeladen werden nur die OCR-Engine und die gewählten Sprachpakete, und zwar beim ersten Bedarf. Die gescannten Seiten und der erkannte Text bleiben auf Ihrem Gerät.