Gescanntes PDF in Word: Warum die Formatierung zerfällt

Ein gescanntes PDF ist kein Word-Dokument, das nur ausgepackt werden muss. Es besteht aus Fotos der Seiten. Bevor sich daran etwas bearbeiten lässt, muss eine Software die Buchstaben aus den Bildern lesen und dann erraten, wo Absätze, Spalten und Tabellen hingehören. Bei diesem Raten geht die Formatierung kaputt, und deshalb lohnt es sich, bei einem Scan den Weg vorher festzulegen.

Zuerst prüfen, welche Art PDF Sie haben

Markieren Sie im PDF-Viewer einen einzelnen Satz. Lassen sich einzelne Wörter markieren und sauber kopieren, hat die Datei bereits eine Textebene, und „PDF in Word“ kann daraus ein bearbeitbares Dokument bauen. Wird stattdessen die ganze Seite wie ein Bild markiert, handelt es sich um einen Scan, und der Rest dieses Artikels betrifft Sie.

Was unser „PDF in Word“ aus einem Scan macht

Geben Sie einen Scan direkt in „PDF in Word“, erhalten Sie eine .docx, in der jede Seite als Bild liegt. Das sieht richtig aus, aber hineinschreiben können Sie nichts. Eine vorherige OCR ändert daran nichts: Sie legt eine unsichtbare Textebene hinter jede Seite, und genau diese Ebene ignoriert der Word-Konverter. Für Scans lassen Sie „PDF in Word“ also besser weg und nehmen einen der folgenden Wege.

Diese Wege funktionieren bei einem Scan

1. Sie brauchen den Text in Word: Nehmen Sie „PDF in Text“ und setzen Sie das Häkchen bei „OCR ausführen“. Sie bekommen eine .txt mit dem erkannten Text, fügen ihn in ein neues Word-Dokument ein und formatieren dort. Überschriften und Tabellen bauen Sie selbst nach, abtippen müssen Sie aber nichts.
2. Sie wollen nur suchen und kopieren: Dann ist „OCR PDF“ schon der letzte Schritt. Die Seite behält ihr Aussehen, und die Wörter werden markierbar.
3. Es geht vor allem um eine Zahlentabelle: Lassen Sie erst „OCR PDF“ laufen und danach „PDF in Excel“. Die Tabellenerkennung kann die OCR-Ebene lesen. Kontrollieren Sie aber die Spalten, weil benachbarte Zellen manchmal zu einer verschmelzen.

Warum das Layout so oder so leidet

OCR erkennt Zeichen, die Gestaltung der Seite kennt sie nicht. Auf einem blassen Scan wird aus einer 8 schnell eine 3. Zwei Spalten werden unter Umständen quer in einem Zug gelesen, eine Tabelle kommt als Werte mit Leerzeichen dazwischen heraus, und Handschrift ist unzuverlässig.

Dazu kommt die Sprache: Unsere OCR liest nur Englisch. Deutsche Seiten werden zwar größtenteils erkannt, aber bei ä, ö, ü und ß hakt es, aus „für“ wird „fur“. Schriften ohne lateinisches Alphabet wie Kyrillisch, Arabisch oder Chinesisch werden gar nicht erkannt. Für saubere deutsche Texterkennung installieren Sie auf dem eigenen Rechner ocrmypdf mit dem deutschen Tesseract-Sprachpaket und geben die Sprache mit -l deu+eng an.

• Saubere, gerade und kontrastreiche Scans geben der OCR die besten Chancen.
• Tabellen und mehrspaltige Seiten brauchen die gründlichste Kontrolle.
• Stempel und handschriftliche Notizen sollten Sie Zeichen für Zeichen prüfen, wenn es auf Genauigkeit ankommt.

Eine bessere Vorlage schlägt jede Nacharbeit

Haben Sie das Papieroriginal noch, scannen Sie es gerade und mit etwa 300 DPI neu ein, ohne Finger, Schatten oder umgeknickte Ecken im Bild. Stammt das PDF aus einem Bürosystem, fragen Sie nach der ursprünglichen digitalen Datei oder dem Quelldokument. Ein echtes digitales PDF geht ordentlich durch „PDF in Word“, und ein sauberes Original spart mehr Zeit als eine Stunde Formatierungsreparatur.

Häufige Fragen

Warum enthält meine Word-Datei nur Bilder der Seiten?

Weil das PDF ein Scan war. Der Konverter hat keinen echten Text gefunden, den er nachbauen könnte, und hat jede Seite deshalb als Bild eingefügt. Holen Sie den Text mit „PDF in Text“ bei eingeschalteter OCR heraus und fügen Sie ihn dann in Word ein.

Wird ein unscharfer Scan besser, wenn ich ihn noch einmal umwandle?

Nein. Eine weitere Umwandlung kann keine Details hinzufügen, die der Scan nie erfasst hat. Scannen Sie das Original nach Möglichkeit schärfer neu ein und lassen Sie die OCR dann einmal laufen.