Ein vom Scanner erzeugtes PDF kann lediglich aus Seitenbildern bestehen. Lesen ist möglich, aber Namen suchen, Text auswählen oder Inhalte weiterverwenden wird schwierig. OCR ergänzt eine Textebene; eine vorherige Bereinigung vermeidet unnötige Erkennungsarbeit.
Die fertige Vorlage bereinigt den Scan und führt anschließend OCR aus, um ein durchsuchbares PDF zu erzeugen.
Warum vor OCR bereinigen?
Ein Scan kann leere Seiten, Zwischenstände oder nicht benötigte visuelle Eigenschaften enthalten. Diese vor der Erkennung zu entfernen oder zu normalisieren spart unnötige Verarbeitung. Die Pipeline hält die richtige Reihenfolge ein, sodass OCR auf dem vorbereiteten Dokument arbeitet.
Was OCR macht
Optische Zeichenerkennung analysiert Seitenbilder, erkennt Zeichen und erzeugt nutzbaren Text. Dadurch kann das PDF durchsuchbar werden, während das Erscheinungsbild des Scans erhalten bleibt.
OCR ist nicht fehlerfrei. Die Qualität hängt unter anderem von Auflösung, Schärfe, Ausrichtung, Kontrast, Sprache und Layout ab.
Typische Einsatzfälle
Der Workflow eignet sich für gescannte Briefe, Verwaltungsarchive, Papierverträge, Rechnungen und Akten, in denen Wörter oder Referenzen schnell gefunden werden sollen. Ein erkanntes Tabellenbild wird dadurch jedoch nicht automatisch zu einer strukturierten Tabellenkalkulation.