Gescannter PDF-Text schlecht lesbar: Mit OCR verbessern

OCR (Optische Zeichenerkennung) analysiert Bilder und erkennt darin Buchstaben, Zahlen und Sonderzeichen. Bei einem gescannten PDF analysiert OCR jede Seite als Bild und überlagert eine Textebene – das Bild bleibt unverändert, aber ein unsichtbarer Textlayer ermöglicht jetzt Suchen und Markieren. Das Ergebnis ist ein 'durchsuchbares PDF' oder 'PDF mit Textebene'. Für sehr schlechte Scans verbessert OCR nicht die optische Qualität des Bildes selbst, aber macht den Textinhalt maschinenlesbar. Für eine verbesserte visuelle Qualität sind zusätzliche Bildverarbeitungsschritte nötig.

So machen Sie einen gescannten PDF durchsuchbar:

1. 1Öffnen Sie lazy-pdf.com/de/ocr in Ihrem Browser.
2. 2Laden Sie das gescannte PDF hoch.
3. 3Wählen Sie die Sprache des Dokuments (Deutsch für deutschsprachige Texte).
4. 4Klicken Sie auf 'Text erkennen' und warten Sie, bis die OCR-Verarbeitung abgeschlossen ist.
5. 5Laden Sie das durchsuchbare PDF herunter.
6. 6Testen Sie die Textsuche: Öffnen Sie das PDF und nutzen Sie Strg+F um nach einem Wort zu suchen.
7. 7Falls das Ergebnis zu groß ist, komprimieren Sie es anschließend unter lazy-pdf.com/de/compress.

Die häufigsten Ursachen für schlechte Scan-Qualität sind: zu geringe Auflösung (unter 200 DPI), schiefe Einlage des Dokuments, schlechte Beleuchtung oder Kontrast, beschädigte Originaldokumente oder veraltete Scanner-Hardware. Maßnahmen beim Scannen: Verwenden Sie mindestens 300 DPI für Textdokumente, wählen Sie 'Schwarzweiß' oder 'Graustufen' statt 'Farbe' für reine Textdokumente (reduziert Dateigröße und verbessert oft den Kontrast), nutzen Sie die Auto-Ausrichtung-Funktion des Scanners, und reinigen Sie die Scanner-Glasplatte regelmäßig. Nachträgliche Verbesserungen sind mit Bildbearbeitungsprogrammen wie GIMP möglich.

Die OCR-Erkennungsgenauigkeit hängt stark von der Scan-Qualität ab. Bei 300 DPI und gutem Kontrast erreicht modernes OCR (wie Tesseract) über 99% Erkennungsgenauigkeit für Standardtexte. Bei 150 DPI sinkt die Genauigkeit auf 90-95%. Handschriften werden von den meisten OCR-Tools schlecht erkannt – hier sind spezialisierte Handschrift-OCR-Lösungen nötig. Frakturschriften (alte Deutsche Druckschrift vor 1945) erfordern spezielle Sprachpakete oder historische OCR-Modelle. LazyPDF's OCR-Funktion verwendet Tesseract, das für moderne Druckschriften exzellente Ergebnisse liefert.

Gescannte PDFs mit OCR-Textebene sind zunächst oft etwas größer als das Original-Scan, weil die OCR-Daten hinzugefügt wurden. Eine anschließende Komprimierung mit LazyPDF kann die Dateigröße erheblich reduzieren, während die Textebene erhalten bleibt. Die Kombination aus OCR und Komprimierung ist besonders wertvoll für die Archivierung großer Bestände gescannter Dokumente: Die Dateien sind kleiner, der Text ist durchsuchbar, und das Dokument ist für digitale Workflows zugänglich.

Für die Archivierung gescannter Dokumente in Unternehmen gelten in Deutschland spezifische Anforderungen nach GoBD (Grundsätze zur ordnungsmäßigen Führung und Aufbewahrung von Büchern, Aufzeichnungen und Unterlagen). Gescannte Dokumente müssen bildtreu (originalgetreu) und dauerhaft lesbar sein. OCR-Textebenen verbessern die Auffindbarkeit im Archiv, ändern aber nicht den rechtlichen Status – der Scan muss dem Original entsprechen. Achten Sie beim Scannen auf ausreichende Qualität, damit spätere OCR-Bearbeitung möglich ist, und dokumentieren Sie den Scanprozess gemäß GoBD-Anforderungen.

Wenn ein Scan bereits vorliegt und eine schlechte Qualitaet hat, gibt es Methoden zur nachtraeglichen Verbesserung. Schraege Seiten gerade richten: ImageMagick kann Seiten automatisch ausrichten mit dem Parameter deskew. Kontrast erhoehen fuer verblas­sten Text: convert -level 10%,90% input.jpg output.jpg erhoeht den Kontrast deutlich. Rauschen entfernen: convert -despeckle input.jpg output.jpg entfernt kleine Punkte im Hintergrund. In GIMP koennen Sie grafisch Helligkeit und Kontrast anpassen und Bilder automatisch begradigen. Adobe Photoshop ermoeglicht Batch-Aktionen zum automatischen Begradigen und Kontrastanpassen vieler Scans. Diese Nachbearbeitung verbessert die OCR-Erkennungsgenauigkeit erheblich.

Die Qualitaet der OCR haengt massgeblich von der Qualitaet des Scans ab. Optimale Einstellungen am Scanner fuer OCR-taugliche Scans: Aufloesung mindestens 300 DPI, besser 400-600 DPI fuer kleine Schriften oder handschriftliche Texte. Farbmodus: Graustufen (8-bit) oder Schwarzweiss (1-bit) liefern oft bessere OCR-Ergebnisse als Farbscans, weil der Kontrast maximiert wird. Bei Farbdokumenten mit farbigen Hintergruenden: Farbscan waehlen. Kalibrierung: Reinige die Glasflaeche des Scanners regelmaessig; selbst kleine Staubflecken fuehren zu Fehlern in der OCR. Seitenkalibrierung: Lege das Dokument gerade und ohne Knicke auf die Scanneroberflaeche. Schraegstehender Text reduziert die OCR-Genauigkeit erheblich; gute OCR-Software wie Tesseract korrigiert moderate Schraegstellung automatisch (Deskewing). Fuer alte oder beschaedigte Dokumente: Erhoehe den Kontrast beim Scan, um verblassten Text besser lesbar zu machen. Nachbearbeitung von Scans vor der OCR: Bildbearbeitungstools wie GIMP koennen Hintergrundflecken entfernen und den Kontrast des Textes verstaerken, was die OCR-Genauigkeit merklich verbessert.