PDF offline per OCR erkennen unter Windows
Eine gescannte PDF ist das Foto einer Seite: Es gibt darin keinen Text zu finden. OCR macht aus diesen Pixeln wieder Zeichen. So geht das auf dem eigenen Rechner – und das ist realistisch zu erwarten.
Warum eine gescannte PDF nicht durchsuchbar ist
Wenn ein Scanner oder eine Handykamera eine PDF erzeugt, ist jede Seite ein Bild. Zoomt man weit genug hinein, werden die Buchstaben zu Pixeln. Strg+F findet nichts, weil die Seite aus Sicht der Datei überhaupt keine Zeichen enthält. OCR (Optical Character Recognition) analysiert das Bild, lokalisiert Textregionen und erkennt die Zeichen darin.
Warum lokal?
- Vertraulichkeit. Einen Vertrag, eine Patientenakte oder eine Personalakte auf den Server eines Dritten zu laden, verstößt oft gegen Richtlinien, manchmal gegen Recht.
- Verfügbarkeit. Abgeschottete Netze, Außendienst-Laptops und gesperrte Firmen-Images haben keine Internetroute zu einem Cloud-OCR-Endpunkt.
- Kosten und Volumen. Abrechnung pro Seite wird teuer, wenn Sie Tausende Seiten haben; ein lokales Modell ist nach dem Download kostenlos.
- Tempo bei kleinen Aufgaben. Kein Upload, keine Warteschlange, kein Rückweg.
Was „Offline-OCR" tatsächlich ausführt
Eine moderne lokale Verarbeitungskette hat zwei Stufen. Ein Erkennungs-Modell (Detection) findet Textregionen auf der Seite, ein Zeichenerkennungs-Modell (Recognition) liest die Zeichen in jeder Region. FlyPDF liefert kompakte Offline-OCR-Modelle im ONNX-Format mit und führt sie über ONNX Runtime auf Ihrer CPU aus – keine GPU nötig, kein Netzwerkaufruf, kein API-Schlüssel.
In FlyPDF wird der erkannte Text zu einer Textebene im Arbeitsspeicher der aktuellen Sitzung. Diese Konstruktion ist entscheidend: Statt eine neue „durchsuchbare PDF" auf die Festplatte zu schreiben, wird der Text an das geöffnete Dokument gehängt. Die Suche findet ihn (Treffer aus der OCR werden anders hervorgehoben als native Texttreffer), und die Quelldatei bleibt unangetastet. Schließen Sie das Dokument, wird die Ebene verworfen – beim erneuten Öffnen erkennen Sie bei Bedarf wieder.
Praktische Schritte
- Öffnen Sie die gescannte PDF in einem Viewer mit lokaler OCR (in FlyPDF: aktuelle Seite oder ganzes Dokument, mit Fortschritt und Abbrechen).
- Warten Sie, bis die Seite gerastert und verarbeitet ist – FlyPDF rendert für die Erkennung mit 300 dpi und rechnet in einem separaten Thread-Pool, damit das Scrollen flüssig bleibt.
- Suchen Sie erneut. Begriffe, die vorher nichts fanden, sollten jetzt im erkannten Text auftauchen.
- Exportieren Sie als Text, wenn Sie den Inhalt anderswo brauchen; der Export führt eine Analyse der Lesereihenfolge durch und entfernt wiederholte Kopf- und Fußzeilen.
Genauigkeit: ehrliche Erwartungen
- Saubere Scans mit 300 dpi – meist sehr gut; erwarten Sie gelegentliche Verwechslungen ähnlicher Zeichen (0/O, 1/l/I, rn/m).
- Faxe und kontrastarme Kopien – deutlich schlechter; prüfen Sie alles, worauf es ankommt.
- Fotografierte Seiten – Perspektive, Schatten und gewölbte Seiten schaden; die Ergebnisse schwanken stark.
- Schräger Text – die Erkennung arbeitet mit achsenparallelen Boxen, gedrehter Text wird also durch seine Bounding-Box angenähert, und die Zeilenreihenfolge kann leiden.
- Senkrechter Text – die Qualität ist ohne Ausrichtungsklassifikator begrenzt.
- Handschrift – liegt grundsätzlich außerhalb des Bereichs druckorientierter Modelle.
OCR-Ausgabe ist probabilistisch. Für rechtliche, medizinische, finanzielle oder sicherheitskritische Zwecke behandeln Sie sie als Fundhilfe, die Ihnen sagt, wo Sie nachsehen müssen – nicht als verifiziertes Transkript.
Qualitätstipps, die wirklich helfen
- Scannen oder exportieren Sie mit 300 dpi, wenn Sie die Quelle bestimmen können – unter etwa 200 dpi fällt die Genauigkeit schnell ab.
- Bevorzugen Sie Graustufen oder Schwarz-Weiß gegenüber starker JPEG-Kompression; Kompressionsartefakte sehen für ein Modell aus wie Zeichen.
- Korrigieren Sie Schräglage und schneiden Sie zu, wenn Ihre Scannersoftware das kann.
- Erkennen Sie bei langen Dokumenten zuerst eine repräsentative Seite und suchen Sie nach einem Begriff, von dem Sie wissen, dass er vorkommt. Schlägt das dort fehl, schlägt es überall fehl.
Wann Cloud-OCR trotzdem die bessere Wahl ist
Wenn Sie Handschrifterkennung, Extraktion von Formularfeldern oder hohe Genauigkeit bei stark beschädigten historischen Scans brauchen, schlagen große Cloud-Dienste mit spezialisierten Modellen ein kleines lokales Modell meist. Der Preis dafür ist, dass Ihre Daten den Rechner verlassen – was für viele Dokumente kein Preis ist, den Sie zahlen dürfen.
FlyPDF macht das lokal. Von Grund auf schreibgeschützt: OCR, Suche, Anmerkungen und Textexport laufen auf Ihrem Rechner – die Quelldatei wird niemals überschrieben.
FlyPDF 30 Tage kostenlos testen