OCR liefert falschen Text: Ursachen und Lösungen
Vom FreePDF-Team ·
Sie haben einen Scan durch die Texterkennung geschickt, einen Absatz kopiert, und zurück kommt so etwas wie „Dle Rechnnng fur Marz“. Oder die Wörter stimmen, aber ein halber Satz aus Zeile vier ist in Zeile zwei gewandert. OCR errät Buchstaben aus Pixeln, und wenn sie schlecht rät, liegt das meist am Seitenbild und nicht an einer versteckten Einstellung. Bei deutschen Dokumenten kommt allerdings ein Grund dazu, der mit dem Bild gar nichts zu tun hat.
Deutscher Text: Umlaute und ß
Unsere Texterkennung ist nur für Englisch eingerichtet, eine Sprachauswahl gibt es nicht. Deutsche Seiten kommen deshalb größtenteils lesbar heraus, aber genau bei ä, ö, ü und ß hakt es: Die Punkte fallen weg, aus „für“ wird „fur“, und ein ß kann als B oder als ganz anderes Zeichen herauskommen. Mit der Scanqualität hat das nichts zu tun, auch ein neuer Scan ändert daran nichts. Die Suche nach „Größe“ findet dann eben nichts. Schriften ohne lateinisches Alphabet, etwa Kyrillisch, Griechisch, Arabisch oder Chinesisch, werden gar nicht oder nur als Zeichensalat erkannt.
Für saubere deutsche Texterkennung brauchen Sie OCR-Software mit deutschem Sprachpaket. Wer die Kommandozeile nicht scheut, installiert auf dem eigenen Rechner ocrmypdf (das Open-Source-Werkzeug hinter unserem) samt deutschem Tesseract-Sprachpaket und gibt die Sprache mit -l an. Für deutsche Dokumente mit englischen Einsprengseln ist -l deu+eng die übliche Wahl.
Erst die ganze Textebene ansehen
Die Suche im PDF-Viewer verrät Ihnen nur, ob ein bestimmtes Wort gefunden wurde. Um alles zu sehen, was die OCR erzeugt hat, schicken Sie die erkannte Datei durch „PDF in Text“ und lesen die .txt-Datei. Meist fällt Ihnen eines von drei Mustern auf:
- Eine Seite ist leer. Sie lag quer, war zu blass oder wurde ganz übersprungen.
- Richtige Wörter in falscher Reihenfolge. Das ist ein Layoutproblem: Spalten, Tabellen oder eine schief eingescannte Seite.
- Wörter voller falscher Buchstaben. Schuld sind Bildqualität, Schrift oder Sprache.
„PDF in Text“ hat außerdem ein eigenes Kästchen „OCR ausführen“. Es nutzt dieselbe Erkennung wie „OCR PDF“. Wenn Sie also nur die .txt brauchen, kommen Sie in einem Schritt vom Scan zum Text.
Die Seite hatte schon Text
Unsere OCR überspringt jede Seite, die bereits Text enthält, damit sie nie vorhandene Wörter überschreibt. Meist ist das genau richtig. Nach hinten los geht es, wenn der vorhandene Text selbst der Müll ist: Manche Scanner führen ihre eigene grobe Texterkennung aus, und manche PDFs haben Schriften, die beim Kopieren nur Symbole liefern, weil die Datei nie festgehalten hat, für welches Zeichen jede Glyphe steht. Unser Werkzeug sieht Text, lässt die Seite in Ruhe und gibt Ihnen dasselbe Durcheinander zurück.
Der Ausweg: die Seiten erst zu reinen Bildern plätten.
- Wandeln Sie das PDF mit „PDF in JPG“ um und wählen Sie „Hoch (300 DPI)“.
- Setzen Sie die JPGs mit „JPG in PDF“ wieder zu einem PDF zusammen. Prüfen Sie vorher die Reihenfolge, denn „Nach Name sortieren“ stellt page_10 vor page_2. Mit den Pfeilen nach oben und unten korrigieren Sie das.
- Lassen Sie „OCR PDF“ über die neue Datei laufen.
Die geplättete Kopie verliert Links und Formularfelder, behalten Sie also das Original. Am Umlautproblem ändert dieser Umweg nichts. Auf der Kommandozeile hat ocrmypdf für genau diesen Fall die Schalter --force-ocr und --redo-ocr.
Den Scan verbessern, nicht die Einstellungen
Tesseract, die Software hinter der eigentlichen Erkennung, arbeitet am besten mit sauberen, geraden Seiten bei etwa 300 dpi. Die meisten verstümmelten Ergebnisse gehen auf einen dieser Punkte zurück:
- Niedrige Auflösung oder Unschärfe. Scannen Sie mit 300 dpi neu, bei Kleingedrucktem mit 400. Ein unscharfes Bild nachträglich zu vergrößern bringt die Details nicht zurück.
- Eine schiefe Seite. Wir richten Seiten vor dem Lesen nicht gerade aus, und schon wenige Grad Neigung können Zeilen auseinanderreißen und Stücke verschiedener Zeilen zusammenkleben. Scannen Sie gerade neu, oder nehmen Sie eine Scanner-App, die automatisch zuschneidet und entzerrt.
- Quer liegende oder kopfstehende Seiten. Auch die werden nicht automatisch gedreht. Schicken Sie die Datei zuerst durch „PDF drehen“, und denken Sie daran, dass es jede Seite dreht.
- Wenig Kontrast. Verblasste Durchschläge, Bleistift und farbiges Papier machen es schwer, Buchstaben vom Hintergrund zu trennen.
Was OCR in jedem Fall schlecht liest
Allen voran Handschrift. Tesseract ist für gedruckten Text gebaut, handschriftliche Randnotizen werden zu Rauschen. Schreibschriften und wuchtige Zierschriften machen ähnlich Ärger, ebenso Text auf einem Foto oder gemustertem Hintergrund, und alte Dokumente in Fraktur erst recht. Tabellen und mehrspaltige Seiten werden oft Zeichen für Zeichen richtig erkannt, aber quer über die Spalten gelesen: Der Text ist dann durchsuchbar, ergibt beim Kopieren aber keinen Sinn. In solchen Fällen verschafft Ihnen die OCR die Suche, für exakten Text bleibt Abtippen der Weg.
Häufige Fragen
Wird es besser, wenn ich die OCR ein zweites Mal laufen lasse?
Nein. Der zweite Durchgang findet die Textebene des ersten und überspringt jede Seite. Plätten Sie die Datei wie oben beschrieben, oder besser: Fangen Sie mit einem saubereren Scan an.
Warum werden 0 und O oder 1 und l ständig verwechselt?
Bei niedriger Auflösung haben diese Zeichen fast dieselbe Form, und die Software muss sich für eines entscheiden. Ein schärferer Scan hilft viel. Bei Rechnungsbeträgen, IBANs und allem anderen, wo eine falsche Ziffer zählt, vergleichen Sie den erkannten Text mit dem Seitenbild, bevor Sie sich darauf verlassen.