PDF-Akten durchsuchbar machen – OCR

Das Prinzip – Bild oben, Text darunter

Ein eingescanntes Aktenblatt ist zunächst nur ein Bild. Suchen, Markieren und Kopieren funktionieren nicht. Die Texterkennung analysiert das Bild, erkennt Zeichen und legt den erkannten Text als eigene Ebene in das PDF. OCRmyPDF beschreibt das so, dass es „places OCR text accurately below the image to ease copy / paste“. Auch Tesseract kann seine Ergebnisse unmittelbar als PDF ausgeben.

Das hat zwei Folgen, die man kennen muss. Erstens sieht man der Datei nicht an, wie gut die Textebene ist – das Bild ist ja unverändert. Zweitens enthält jede so bearbeitete Seite ihren Inhalt doppelt, als Bild und als Text. Das ist beim Schwärzen wichtig.

Qualitätsprobleme

• Faxe und Mehrfachkopien. Geringe Auflösung und Rauschen führen zu vertauschten Zeichen, gerade bei Ziffern.
• Stempel und Anmerkungen. Überlagerungen von Stempeln, Paraphen und Randnotizen stören die Zeilenerkennung.
• Tabellen und Spalten. Die OCRmyPDF-Dokumentation nennt als mögliche Schwäche, dass Tesseract zwei Spalten nicht erkennt und Text über die Spalten hinweg zusammenzieht. Tabellen werden oft zeilenweise durcheinander gelesen.
• Handschrift. OCRmyPDF erkennt nach eigener Dokumentation keine Handschrift.
• Schiefe oder gedrehte Seiten. Werkzeuge wie OCRmyPDF können Seiten gerade ausrichten und drehen.

Das Tesseract-Projekt weist darauf hin, dass für bessere Ergebnisse häufig zunächst die Bildqualität verbessert werden muss. Als Faustregel gilt, dass die Texterkennung nicht zuverlässig lesen wird, was schon für das Auge schwer lesbar ist.

Werkzeugkategorien

Open Source, lokal

Tesseract ist eine OCR-Engine unter der Apache-Lizenz 2.0. Seit Version 4 arbeitet sie mit einem neuronalen Netz (LSTM), das auf Zeilenerkennung ausgerichtet ist, und unterstützt nach Projektangaben mehr als 100 Sprachen. Ausgabeformate sind unter anderem Text, hOCR, PDF, ein PDF nur mit unsichtbarem Text, TSV, ALTO und PAGE.

OCRmyPDF setzt auf Tesseract auf und fügt gescannten PDF-Dateien eine Textebene hinzu. Nach Projektangaben erzeugt es standardmäßig PDF/A, behält die Auflösung der eingebetteten Bilder bei, kann Seiten begradigen und drehen und nennt als Eigenschaft „keeps your private data private“. Die Lizenz ist die Mozilla Public License 2.0. Die Dokumentation räumt ein, dass die Erkennungsgenauigkeit möglicherweise nicht an kommerzielle Lösungen heranreicht.

Kommerzielle PDF- und OCR-Programme

Viele PDF-Programme enthalten eine Texterkennung. Ob sie lokal arbeitet oder einzelne Funktionen Cloud-Dienste nutzen, ist im jeweiligen Programm zu prüfen.

KI-OCR und Cloud-Schnittstellen

Neuere Verfahren nutzen KI-Modelle, die das Dokument als Ganzes verstehen sollen. Ein Beispiel ist Mistral OCR, vorgestellt am 06.03.2025. Die Ankündigung trägt inzwischen den Hinweis, dass dieses Modell durch neuere OCR-Modelle ersetzt wurde. Nach Angaben von Mistral AI verarbeitet die Schnittstelle PDF-Dateien und Bilder, erfasst auch Tabellen, Formeln und eingebettete Bilder und gibt das Ergebnis als JSON mit Markdown-Text je Seite aus. Die Bezeichnung mistral-ocr-latest verweist nach der Dokumentation auf das jeweils neueste OCR-Modell.

KI-OCR soll neben dem Text auch die Struktur eines Dokuments erfassen, ist aber nicht fehlerfrei. Auch ein Sprachmodell kann beim Lesen eines unleserlichen Wortes ein plausibles Wort einsetzen, statt die Stelle als unklar zu markieren.

Datenschutz bei Cloud-OCR

Wer Akten an einen OCR-Dienst hochlädt, übermittelt den gesamten Inhalt – Namen, Anschriften, Gesundheitsdaten, Ermittlungsergebnisse. Es gelten dieselben Anforderungen wie bei jedem KI-Dienst – Vertrag zur Auftragsverarbeitung nach Art. 28 DSGVO, die Anforderungen des § 43e BRAO an Dienstleister, Klärung des Speicherorts und der Aufbewahrung. Einzelheiten unter KI und Datenschutz. Lokale Werkzeuge wie OCRmyPDF vermeiden die Übermittlung.

Ergebnis prüfen

1. Stichprobe. Auf einigen schwierigen Seiten nach einem bekannten Wort suchen.
2. Ziffern prüfen. Beträge, Daten, Telefon- und Kontonummern gegen das Bild vergleichen.
3. Seitenreihenfolge und Drehung kontrollieren.
4. Bei vorhandener alter Textebene klären, ob sie ersetzt oder übersprungen wird – sonst liegen zwei Textebenen übereinander oder die schlechte alte bleibt erhalten.

Stand Oktober 2026