Was ist OCR und wann brauchen Sie es? Ein 20-Seiten-Scan im Test

OCR in einfachen Worten

Eine gescannte Seite ist ein Foto von Papier. Sie können die Wörter lesen, für einen Computer sind sie aber graue Punkte wie in jedem anderen Bild. OCR, kurz für optische Zeichenerkennung, findet in diesem Bild die Formen von Buchstaben und macht daraus echten Text.

In einer PDF-Datei kommt dieser Text in eine unsichtbare Ebene hinter dem Bild, jedes Wort an der Stelle ausgerichtet, an der es im Scan erscheint. Die Seite selbst bleibt ein Bild. Jetzt lässt sich ein Wort aber markieren und kopieren, Ctrl+F findet es, und ein Screenreader hat etwas zum Vorlesen.

Ohne diese Ebene ist ein Scan für assistive Technologien verschlossen. Das W3C schreibt die Richtlinien für barrierefreie Webinhalte, und seine Technik für gescannte PDF-Dateien sagt auf Englisch: „Assistive Technologien können die Wörter weder lesen noch extrahieren.“ Ist die Originaldatei nicht mehr vorhanden, nennt sie OCR als Lösung.

Drei Prüfungen: Braucht Ihr PDF das?

Öffnen Sie die PDF-Datei in einem beliebigen Viewer und versuchen Sie, ein einzelnes Wort zu markieren. Werden die Wörter einzeln hervorgehoben, hat die Datei schon Text. Zieht die Maus einen Rahmen über die ganze Seite oder passiert gar nichts, ist die Seite ein Bild.

Suchen Sie dann mit Ctrl+F, auf dem Mac mit Cmd+F, nach einem Wort, das Sie auf der Seite sehen. Kein Treffer für ein gut sichtbares Wort heißt, dass dahinter kein Text steht. Wird eine kopierte Zeile als Zeichensalat eingefügt, ist die Ebene meist vorhanden, aber falsch.

„OCR PDF“ nimmt Ihnen dieselbe Prüfung ab. Unter der Vorschau zeigt die Tabelle „Prüfung der fertigen Datei“ für die geöffnete Seite „Textebene, S. 1“ vorher und nachher. Bei unserem Scan stand dort vorher „nein“ und nachher „ja“; bei einer PDF-Datei, die aus einer Webseite gedruckt wurde, stand von Anfang an „ja“ da.

Was OCR an einem Scan mit 20 Seiten geändert hat

Am 23. Oktober 2026 haben wir aus einem Textdokument mit 20 Seiten und 5.548 Wörtern einen Testscan gebaut. Jede Seite wurde zu einem grauen JPEG mit 1700 × 2200 Pixeln bei 200 ppi, ohne Text in der Datei. Der Scan war 8.302.321 Byte groß, was das Tool als 7,9 MB anzeigt.

Wir haben „OCR PDF“ in Chrome auf einem Mac mit den Standardeinstellungen laufen lassen: Englisch, „Vorhandenen Text überspringen“, „Schiefe Seiten begradigen“ und „Seiten automatisch drehen“. Das Ergebnis war 50,7 Sekunden nach dem Klick auf „Text erkennen“ fertig, das Hochladen eingeschlossen. Die Seite meldete: „Serverbericht: Text auf 20 von 20 Seiten gefunden.“

Dann haben wir den Text aus dem Ergebnis geholt und Wort für Wort mit dem Original verglichen. Von den 5.548 Wörtern stimmten 5.536 überein, also 99,78 Prozent. Die Fehler waren Zahlen wie eine 4, eine 7 und 636, dazu ein Wort. Eine Suche nach „warranty“ ergab 243 Treffer, genauso viele wie im Originaldokument.

Die Seiten blieben Bilder, alle 20 in derselben Reihenfolge. Die Textebene machte die Datei nicht größer: Sie kam mit 7,6 MB zurück, 4 Prozent kleiner als der Scan. Tags für Überschriften oder die Lesereihenfolge enthielt sie nicht; die Technik des W3C fügt sie in einem eigenen Schritt hinzu. Unser Scan war sauber gedruckter Text; Fotos vom Smartphone oder Handschrift haben wir nicht getestet.

Eine schiefe Seite und was mit den Bildern passiert

Scans kommen oft schief heraus, deshalb haben wir außerdem zwei der Seiten um 3 Grad gedreht. „OCR PDF“ hat sie gerade ausgerichtet: Mit ImageMagick gemessen, sank die Neigung von 2,96 Grad auf null. Alle 549 Wörter der beiden Seiten stimmten, und der Auftrag dauerte 15,8 Sekunden.

Das Begradigen hat seinen Preis. Mit eingeschaltetem „Schiefe Seiten begradigen“ wurde jedes Seitenbild erneut als JPEG gespeichert, auch die geraden. Danach haben wir diese Option und „Seiten automatisch drehen“ unter „Weitere Einstellungen“ ausgeschaltet. Dieselben zwei geraden Seiten kamen mit ihren Bildern Byte für Byte so zurück, wie sie gescannt waren. Schalten Sie also beides aus, wenn eine Datei ihre Originalbilder behalten muss.

Wann Sie kein OCR brauchen

Die meisten am Computer erstellten PDF-Dateien haben schon Text: eine aus Word exportierte Datei oder eine Seite, die im Browser als PDF gedruckt wurde. Unser Dokument mit 20 Seiten war so eine Datei, gedruckt aus Chrome. „OCR PDF“ gab es nach 2,1 Sekunden zurück: „Diese PDF-Datei hat bereits eine Textebene, deshalb wurde nichts hinzugefügt.“ Der Hinweis verwies stattdessen auf „OCR wiederholen“.

„OCR wiederholen“ ist für eine Textebene gedacht, die falsch ist, nicht für eine, die funktioniert. Funktionieren Suche und Kopieren schon, lassen Sie die Ebene, wie sie ist.

Um die Wörter aus einer PDF-Datei zu holen, die schon Text hat, liest „PDF in Text“ sie in Ihrem Browser, ohne sie hochzuladen. Und ein Foto oder eine Zeichnung ohne Wörter gibt OCR nichts zu finden.

Wo „OCR PDF“ an seine Grenzen kommt

„OCR PDF“ läuft auf unserem Server, nicht in Ihrem Browser. Die Datei wird hochgeladen, wenn Sie auf „Text erkennen“ klicken, und gelöscht, sobald der Auftrag abgeschlossen ist. Das Ergebnis lässt sich eine Stunde lang herunterladen und wird nach etwa zwei Stunden vom Server gelöscht.

Ein Auftrag verarbeitet eine PDF-Datei mit bis zu 300 MB und 500 Seiten. Über alle Tools, die unseren Server nutzen, können Sie 30 Aufträge in der Stunde ausführen. Ein längeres Buch muss in Teilen verarbeitet werden: Unsere Anleitung zum Scannen eines Buches erklärt die Kamera, die Teile und die drei Modi.

Das Tool liest jede der 15 Sprachen im Menü, bis zu drei gleichzeitig. Wählen Sie vor „Text erkennen“ die Sprache des Scans unter „Sprache des Dokuments“: Eine russische Seite, die als Englisch gelesen wird, kommt in lateinischen Buchstaben zurück. Brauchen Sie stattdessen ein bearbeitbares Dokument, erkennt „PDF in Word“ den Scan in der Sprache, die Sie unter „Weitere Einstellungen“ im Feld „OCR-Sprache“ wählen.

Ein Bild oder ein Screenshot braucht gar keine PDF-Datei. „Bild in Text“ liest JPG, PNG und andere Bilder in Ihrem Browser und liefert eine .txt-Datei. „OCR PDF“ ist eines von über 200 kostenlosen Tools bei PulsarKit, ohne Konto und ohne Abo.