19 OCR (Texterkennung)

19.1 Beschreibung

Die Aufgabe OCR (Optical Character Recognition / Optische Zeichenerkennung) wandelt gescannte Dokumente oder Bild-PDFs in durchsuchbare PDFs um. Nach der Verarbeitung kann der Text im PDF markiert, kopiert und durchsucht werden.

Typische Anwendungsfälle

Archivierung: Gescannte Dokumente durchsuchbar machen
Datenextraktion: Text aus gescannten Rechnungen für die weitere Verarbeitung extrahieren
Compliance: Dokumente für die Volltextsuche in Dokumentenmanagementsystemen vorbereiten
Barrierefreiheit: PDFs für Screenreader zugänglich machen

Systemvoraussetzung: Die Texterkennung setzt Windows 8 oder neuer voraus. Auf Windows 7 wird die Aufgabe mit dem Hinweis "Texterkennung ist auf diesem Windows nicht verfügbar" übersprungen.

Wichtig: Diese Aufgabe erzeugt eine neue Datei im konfigurierten Zielordner. Die Originaldatei bleibt unverändert. Die im aktuellen Profil enthaltenen weiteren Aufgaben beziehen sich alle auf die Originaldatei. Das durch OCR erzeugte durchsuchbare PDF muss bei Bedarf mit einem separaten Profil weiterverarbeitet werden, das den entsprechenden Ausgabeordner überwacht.

19.2 Allgemeine Einstellungen

Aktiviert

Aktivieren Sie diese Option, damit die Aufgabe bei passenden PDF-Dateien ausgeführt wird. Deaktivierte Aufgaben werden übersprungen.

19.3 Sprache

Primäre Sprache

Wählen Sie die Hauptsprache des zu erkennenden Textes. Die korrekte Sprachwahl verbessert die Erkennungsgenauigkeit erheblich.

Verfügbare Sprachen: Über 100 Sprachen, darunter: - Deutsch (German Best) - Englisch (English Best) - Französisch, Spanisch, Italienisch - Und viele weitere

Hinweis: Weitere Sprachen laden Sie über die Schaltfläche Weitere Sprache installieren... herunter (Kapitel 38).

Sekundäre Sprache verwenden

Aktivieren Sie diese Option, wenn Dokumente Text in zwei Sprachen enthalten (z.B. deutsch-englische Verträge).

Sekundäre Sprache

Wählen Sie die zweite im Dokument vorkommende Sprache.

19.4 DPI-Einstellung (Auflösung)

Die DPI-Einstellung (Dots Per Inch) beeinflusst die Qualität der Texterkennung und die Größe der Ausgabedatei.

Optimiert

Das Programm wählt automatisch eine optimale DPI-Einstellung basierend auf dem Dokumentinhalt.

Basierend auf Bildern

Die DPI wird basierend auf der Auflösung der im PDF enthaltenen Bilder bestimmt. Dies ist die Standard-Einstellung.

Benutzerdefiniert

Sie können einen festen DPI-Wert festlegen:

DPI	Verwendung
96-150	Schnelle Verarbeitung, geringere Qualität
175-225	Gute Balance zwischen Qualität und Geschwindigkeit (empfohlen)
300	Hohe Qualität, längere Verarbeitung
600-1200	Maximale Qualität, nur für spezielle Anforderungen

19.5 Bildoptimierung

Seitenorientierung automatisch korrigieren

Erkennt und korrigiert die Seitenorientierung (0°, 90°, 180°, 270°) vor der OCR-Verarbeitung. Diese Option ist besonders nützlich für Dokumente aus Scannern, die Seiten im Hoch- und Querformat gemischt einziehen. Die Korrektur wird nur bei hoher Erkennungssicherheit angewendet.

Hinweis: Diese Option ist standardmäßig deaktiviert. Aktivieren Sie sie, wenn Sie regelmäßig falsch gedrehte Scans verarbeiten.

Schieflage korrigieren und entzerren

Erkennt bei schief eingescannten Seiten den Winkel der Schieflage und richtet das Seitenbild für die Texterkennung gerade. Das verbessert die Erkennung bei nicht exakt ausgerichteten Scans. Die Seiten der Ausgabedatei bleiben dabei unverändert: Der erkannte Text wird unsichtbar über die Originalseite gelegt, die Ausgabedatei sieht also aus wie die Eingabedatei.

Seiten in der Ausgabedatei ebenfalls gerade richten

Richtet zusätzlich die Seiten der Ausgabedatei um den erkannten Winkel gerade. Jede Seite behält ihr Format, ihre Auflösung und ihre Bildqualität - der Seiteninhalt wird lediglich um die Seitenmitte gedreht. An den Rändern entstehen dadurch schmale weiße Keile; was über den Seitenrand hinausgedreht wird, ist abgeschnitten (in der Regel nur der leere Rand des Scans). Seiten ohne erkannte Schieflage bleiben unverändert. Die Option ist nur zusammen mit "Schieflage korrigieren und entzerren" wirksam.

Schärfen

Erhöht die Schärfe von Bildern vor der Texterkennung. Hilfreich bei leicht unscharfen Scans.

Kontrast erhöhen

Verbessert den Kontrast zwischen Text und Hintergrund. Nützlich bei verblasstem oder schwachem Text.

PDF-Inhalt vorher in Bilder konvertieren

Wandelt den gesamten PDF-Inhalt vor der OCR in Bilder um. Aktivieren Sie diese Option bei PDFs, die sowohl Text als auch Bilder mit Text enthalten.

Niedrige Auflösungen hochskalieren

Skaliert Bilder mit niedriger Auflösung automatisch hoch, um die Erkennungsgenauigkeit zu verbessern.

19.6 Umgang mit Dateien, die bereits Text enthalten

Legen Sie fest, wie mit PDFs verfahren werden soll, die bereits durchsuchbaren Text enthalten:

Option	Beschreibung
Ignorieren	Das PDF wird nicht verarbeitet (Standard)
Dateien mit kaum Text verarbeiten	OCR wird nur bei PDFs mit kaum Text durchgeführt (im Durchschnitt weniger als 20 Zeichen je Seite, Spalte "OCR empfohlen": Ja) - zum Beispiel Scans mit einem Stempel oder einer Seitenzahl als Text. PDFs mit Textebene werden wie bei "Ignorieren" nicht verarbeitet
Trotzdem verarbeiten	OCR wird durchgeführt, auch wenn Text vorhanden ist
Nur in das Zielverzeichnis kopieren	Das PDF wird ohne OCR in den Zielordner kopiert

PDFs ganz ohne Text werden bei jeder Einstellung verarbeitet.

Bei "Dateien mit kaum Text verarbeiten" und "Trotzdem verarbeiten" bleibt der vorhandene Text in der Datei, und die Texterkennung liest ihn noch einmal mit: Er steht danach doppelt im Text der Datei - die Suche findet einen Stempeltext dann zum Beispiel zweimal. Mit "PDF-Inhalt vorher in Bilder konvertieren" (Abschnitt 19.5) stammt der Text nur aus der Erkennung; dabei werden allerdings alle Seiten zu Bildern.

Empfehlung: Belassen Sie die Einstellung auf "Ignorieren", es sei denn, Sie haben einen speziellen Grund für eine andere Wahl. Übergeht die Aufgabe Ihre Scans, obwohl die Spalte "OCR empfohlen" der Beispieldateien "Ja" zeigt, enthalten die Scans einzelne Textzeichen - wählen Sie dann "Dateien mit kaum Text verarbeiten".

19.7 Zeichenbeschränkung

Zeichen einschränken

Aktivieren Sie diese Option, um die Erkennung auf bestimmte Zeichen zu beschränken. Dies kann die Genauigkeit bei spezialisierten Dokumenten verbessern.

Nur folgende Zeichen erlauben (Whitelist)

Geben Sie die Zeichen an, die erkannt werden sollen. Alle anderen werden ignoriert.

Standardzeichen: ABCDEFGHIJKLMNOPQRSTUVWXYZÄÖÜßabcdefghijklmnopqrstuvwxyzäöü0123456789.,-?!

Folgende Zeichen ausschließen (Blacklist)

Geben Sie Zeichen an, die nicht erkannt werden sollen.

Anwendungsfall: Bei der Erkennung von Artikelnummern, die nur aus Zahlen und Buchstaben bestehen, können Sonderzeichen ausgeschlossen werden.

19.8 Verarbeitung

Multithreading

Aktiviert die parallele Verarbeitung mehrerer Seiten. Beschleunigt das OCR auf Systemen mit mehreren Prozessorkernen erheblich.

Empfehlung: Aktiviert lassen, es sei denn, es treten Stabilitätsprobleme auf.

19.9 Speicherort

Verzeichnis

Geben Sie das Zielverzeichnis für die durchsuchbaren PDFs an.

Hinweis: Es wird empfohlen, für jeden Verarbeitungsschritt einen eigenen Ordner zu verwenden, um eine klare Trennung zu gewährleisten.

Dateiname

Legen Sie den Namen für die Ausgabedatei fest. Sie können: - Das Feld leer lassen (Originalname wird verwendet) - Einen festen Namen eingeben - Platzhalter für dynamische Namen verwenden

Beispiele:

Eingabe	Ergebnis
(leer)	`Scan001.pdf` (Originalname)
`<FileName>_OCR`	`Scan001_OCR.pdf`
`<TodaysYear4>-<TodaysMonth>-<TodaysDay>_<FileName>`	`2024-12-15_Scan001.pdf`

Namenskollisionen

Wählen Sie, was passieren soll, wenn bereits eine Datei mit dem Zielnamen existiert:

Option	Beschreibung
Überschreiben	Die vorhandene Datei wird ersetzt
Nummerierung anfügen	Fügt eine Nummer an
Datum anfügen	Fügt das Verarbeitungsdatum an
Datum und Uhrzeit anfügen	Fügt Datum und Uhrzeit an
Vorgang abbrechen	Die OCR wird nicht durchgeführt

19.10 Dateidatum

Erstellungs- und Änderungsdatum anpassen

Optional können Sie das Dateidatum der Ausgabedatei ändern:

Option	Beschreibung
Nicht ändern	Die Datei erhält automatisch das aktuelle Datum
Erstellungsdatum der Originaldatei	Übernimmt das ursprüngliche Erstellungsdatum
Änderungsdatum der Originaldatei	Übernimmt das Änderungsdatum
PDF-Erstellungsdatum	Datum aus den PDF-Metadaten
Extrahiertes Datum	Ein mit einer Extrahierungsregel gewonnenes Datum
Aktuelles Datum	Setzt das heutige Datum

19.11 Im Anschluss

Externes Programm aufrufen

Nach der OCR kann automatisch ein externes Programm gestartet werden.

Programm: Pfad zur ausführbaren Datei

Parameter: Kommandozeilenparameter. Verfügbare Platzhalter: - <PathIncludingFilename> - Vollständiger Pfad der OCR-Datei - <ParentDirectory> - Pfad des Elternordners - <Filename> - Dateiname der OCR-Datei

19.12 Beispiel: Gescannte Rechnungen durchsuchbar machen

Ausgangssituation

Ihr Scanner erstellt Bild-PDFs ohne durchsuchbaren Text. Diese sollen automatisch per OCR verarbeitet werden, damit Sie später nach Rechnungsnummern oder Beträgen suchen können.

Konfiguration

Aktiviert: Ja
Primäre Sprache: German Best
DPI-Einstellung: Basierend auf Bildern
Schräglage korrigieren: Ja
Umgang mit Dateien mit Text: Nur in das Zielverzeichnis kopieren
Verzeichnis: D:\Archiv\OCR
Dateiname: <FileName>
Bei Namenskollision: Nummerierung anfügen

Ergebnis

Originaldatei	OCR-Datei
`C:\Scanner\Scan001.pdf` (Bild)	`D:\Archiv\OCR\Scan001.pdf` (durchsuchbar)

19.13 Beispiel: Mehrsprachige Dokumente verarbeiten

Ausgangssituation

Sie verarbeiten internationale Verträge, die sowohl deutschen als auch englischen Text enthalten.

Konfiguration

Primäre Sprache: German Best
Sekundäre Sprache verwenden: Ja
Sekundäre Sprache: English Best
DPI-Einstellung: 225 (Benutzerdefiniert)
Schärfen: Ja

Hinweis

Die Verwendung von zwei Sprachen erhöht die Verarbeitungszeit, verbessert aber die Erkennungsgenauigkeit bei gemischtsprachigen Dokumenten erheblich.

19.14 Tipps und Hinweise

Weiterverarbeitung des OCR-PDFs

Das erzeugte durchsuchbare PDF befindet sich im konfigurierten Zielordner. Um es weiter zu verarbeiten (z.B. Datenextraktion, Umbenennung, E-Mail-Versand), erstellen Sie ein separates Profil, das diesen Zielordner überwacht.

Sprachen installieren

Deutsch und Englisch sind vorinstalliert. Weitere Sprachen installieren Sie über die Schaltfläche Weitere Sprache installieren... in den OCR-Einstellungen (Kapitel 38). Verwendet ein Profil eine Sprache, die auf einem Rechner fehlt, lädt das Programm sie selbst nach (Abschnitt 38.6).

Erkennungsqualität verbessern

Wenn die Texterkennung unbefriedigend ist: 1. Erhöhen Sie die DPI-Einstellung 2. Aktivieren Sie Bildoptimierungen (Schärfen, Kontrast, Schieflage korrigieren) 3. Stellen Sie sicher, dass die korrekte Sprache ausgewählt ist 4. Bei Problemen mit bestimmten Zeichen: Verwenden Sie die Zeichenbeschränkung

Verarbeitungszeit

Die OCR-Verarbeitung ist rechenintensiv. Faktoren, die die Geschwindigkeit beeinflussen: - Seitenzahl des Dokuments - Gewählte DPI-Einstellung - Aktivierte Bildoptimierungen - Verwendung von zwei Sprachen - Verfügbare Prozessorleistung

Qualität vs. Geschwindigkeit

Priorität	Empfohlene Einstellungen
Geschwindigkeit	Niedrige DPI (150), keine Bildoptimierung
Balance	DPI 225, Schräglage korrigieren (Standard)
Qualität	DPI 300+, alle Bildoptimierungen aktiviert

Bereits durchsuchbare PDFs

Wenn Sie "Ignorieren" für Dateien mit Text wählen, werden bereits durchsuchbare PDFs nicht erneut verarbeitet. Dies spart Zeit und verhindert Qualitätsverlust durch mehrfache Verarbeitung.

Passwortgeschützte PDFs

Passwortgeschützte PDFs können verarbeitet werden, wenn das Passwort in der Passwortliste (Programmoptionen) oder im Profil hinterlegt ist und das Extrahieren von Inhalten erlaubt ist.

PDFs aufteilen Anhänge speichern