Was OCR erkennen kann und was nicht
Die Texterkennung macht aus dem Bild einer Seite durchsuchbaren Text. Wie gut sie das tut, entscheidet fast ausschließlich der Scan und nicht die Software.
Was fügt OCR einem PDF hinzu?
Eine Ebene unsichtbaren Textes hinter dem Bild der Seite. Die Seite sieht genau so aus wie zuvor, und die Wörter lassen sich jetzt markieren, durchsuchen und von einem Screenreader vorlesen, weil sie als Text darunter vorhanden sind.
Nichts wird ersetzt. Der Scan bleibt das sichtbare Dokument und der erkannte Text sitzt dahinter; deshalb ändert ein Erkennungsfehler, was eine Suche findet, ohne zu ändern, was ein Mensch sieht.
Welche Scans liest sie gut?
Flache, gerade, kontrastreiche Seiten mit gewöhnlicher gedruckter Schrift bei etwa 300 dpi. Unter diesen Bedingungen ist die Erkennung so genau, dass eine Seite Fließtext mit höchstens einer Handvoll Fehler zurückkommt, meist in der Zeichensetzung.
Gedruckte Tabellen und Spalten liest sie ebenfalls ordentlich, auch wenn sie sie in einer Reihenfolge zurückgibt, die sich seltsam liest. Die Lesereihenfolge ist eine Vermutung über das Layout und keine im Bild gespeicherte Tatsache, und bei zweispaltigen Seiten geht diese Vermutung am häufigsten schief.
Womit tut sie sich schwer?
Handschrift, schräg fotografierte Seiten, blasse oder ungleichmäßig ausgeleuchtete Scans, Zierschriften und sehr kleine Schrift sowie Seiten, die überwiegend aus Stempeln und Unterschriften bestehen. Unter etwa 150 dpi bricht die Genauigkeit rasch ein, so sauber die Seite auch sein mag.
Auch die Sprache zählt. Die Erkennung ist je Sprache trainiert, und eine deutsche Seite mit einem englischen Modell verliert zuerst die Umlaute und die langen zusammengesetzten Wörter. Wählen Sie die Sprache des Dokuments und nicht die Ihrer Oberfläche.
Wie soll ich mit dem Ergebnis umgehen?
Als durchsuchbarem Register und nicht als Abschrift. Es ist genau richtig, um herauszufinden, welche von zweihundert eingescannten Rechnungen einen Lieferanten nennt, und es ist das Falsche, um es ungelesen in einen Vertrag einzufügen.
Wo ein Dokument Wort für Wort stimmen muss, vergleichen Sie den ausgelesenen Text mit der Seite. Das sind ein paar Minuten Arbeit und der einzige Weg zur Gewissheit, denn die Erkennung weiß nicht, wann sie falsch liegt: Ein selbstbewusster Fehler sieht aus wie eine richtige Lesung.
Wie es weitergeht
PDF mit OCR legt die Textebene an und lässt Sie vorher die Sprache wählen, PDF in Text zeigt Ihnen, was die Erkennung tatsächlich geliefert hat, und die Seiten als Bilder exportieren zeigt, was die Engine überhaupt zu lesen bekam.
Was dpi und Qualität wirklich ändern behandelt die Auflösung, die die Erkennung mindestens braucht, und warum sich PDF-Text nur begrenzt bearbeiten lässt erklärt, warum sich eine erkannte Ebene trotzdem nicht wie ein Dokument bearbeiten lässt.