Gescannte und digitale PDFs: warum die Textextraktion manchmal leer bleibt
Zwei PDFs können Pixel für Pixel identisch aussehen und innen Gegensätze sein: Die eine enthält Text, die andere ein Foto von Text. Jedes rätselhafte PDF-Versagen (leere Extraktionen, nicht durchsuchbare Verträge, verstummende Screenreader) führt auf diesen unsichtbaren Unterschied zurück.
Der Ein-Sekunden-Test
Öffne die PDF und versuche, ein paar Wörter mit der Maus zu markieren. Erscheint ein Textcursor und lassen sich Wörter einzeln hervorheben, enthält die Datei echten Text. Zieht deine Auswahl ein Rechteck auf, oder lässt sich gar nichts markieren, siehst du das Bild einer Seite, und genau das erzeugen jeder Scanner und die meisten Handykamera-Apps.
Ein zweites Indiz: Durchsuche die Datei (Strg+F) nach einem Wort, das du auf der Seite siehst. Echter Text wird sofort gefunden; ein Scan meldet null Treffer für ein Wort direkt vor deinen Augen. Die Seite weiß nicht, dass das Wort da ist, so wie das Foto eines Buches seine eigene Geschichte nicht kennt.
Warum es den Unterschied gibt
Eine digital geborene PDF (aus Word exportiert, von einem Rechnungssystem erzeugt) trägt Zeichenanweisungen, die die tatsächlichen Zeichen enthalten: Die Datei weiß, dass an dieser Position ein A in dieser Schrift steht. Textextraktion liest diese Anweisungen einfach zurück; schnell, exakt, zeichengetreu.
Ein Scanner weiß nichts von Buchstaben. Er misst Licht und erzeugt ein Pixelraster; manche Pixel formen buchstabenähnliche Muster, aber diese Bedeutung existiert nur im menschlichen Auge. Text aus so einer Datei zu extrahieren liefert ehrlich, was die Datei enthält: keinen Text. Werkzeuge, die bei einem Scan ein leeres Ergebnis zeigen, sind nicht kaputt, sie sind aufrichtig.
OCR: Text herstellen, der nie da war
Texterkennung (OCR) betrachtet die Pixelformen und RÄT, welche Zeichen sie darstellen, und schreibt dann eine unsichtbare Textebene hinter das Bild. Die Seite zeigt weiter den Originalscan; Suchen und Markieren treffen die verborgene Ebene. So werden gescannte Bücher durchsuchbar.
Weil OCR rät, erbt es jede Schwäche der Vorlage: schiefe Seiten, Kaffeeflecken, ungewöhnliche Schriften, Handschrift und niedrige Auflösung treiben die Fehlerrate hoch. Selbst bei 99% Genauigkeit stecken in einer dichten Seite ein paar Dutzend falsche Zeichen, was gewaltig zählt, wenn die Seite ein Vertrag ist oder IBANs enthält. OCR-Ausgabe ist ein Entwurf zum Prüfen, kein Beleg zum Vertrauen.
So scannen, dass dein zukünftiges Ich die Datei nutzen kann
Die Auflösung entscheidet alles Weitere: 300 DPI ist der Standard, der OCR genau und Ausdrucke scharf hält; 150 DPI erzeugt kleinere Dateien, die am Bildschirm gut lesbar sind, aber OCR in Richtung Fehler drücken; alles darunter ist das Foto einer Erinnerung. Mehr als 300 DPI kauft bei gewöhnlichen Dokumenten vor allem Dateigröße, keine Treue.
Wähle für Textdokumente Schwarzweiß oder Graustufen (Farbe verdreifacht die Größe und hilft OCR kein bisschen), halte Seiten gerade, denn Schieflage ist nach Unschärfe der schlimmste OCR-Feind, und wenn dein Scanner 'durchsuchbare PDF' anbietet, schalte es ein; das ist eingebaute Texterkennung im Moment des Scannens, solange das Original noch zum Nachprüfen in deiner Hand liegt. Das digitale Original bleibt König: Wo ein echter PDF-Export existiert, schlägt das Extrahieren daraus das Scannen des Ausdrucks jedes einzelne Mal.
Zum Tool:
PDF in Text