Ein gescanntes PDF in Word umwandeln – und warum die Ergebnisse schwanken

Zwei PDFs können auf dem Bildschirm gleich aussehen und sich bei der Umwandlung in Word völlig unterschiedlich verhalten. Das eine wurde aus einer Textverarbeitung gespeichert und enthält echten Text. Das andere stammt von einem Scanner oder einer Handykamera, und jede Seite ist ein Foto von Text. Um die zweite Art in ein bearbeitbares Dokument zu verwandeln, muss ein Konverter zuerst die Buchstaben vom Bild ablesen und dann erraten, wie die Seite aufgebaut war. Beide Schritte können schiefgehen, und dieser Ratgeber erklärt, wo, warum und was Sie dagegen tun können.

So erkennen Sie, ob Ihr PDF gescannt ist

Der schnellste Test: Versuchen Sie, ein einzelnes Wort zu markieren. Zieht Ihr Mauszeiger einen Rahmen über die ganze Seite, statt das Wort hervorzuheben, ist die Seite ein Bild. Der zweite Test ist die Suche mit Strg+F (Cmd+F auf dem Mac): Auf einer gescannten Seite findet sie nichts, selbst für ein Wort, das Sie sehen.

Auch das Vergrößern hilft. Echter Text bleibt bei jeder Vergrößerung scharf, weil er aus einer Schriftart gezeichnet wird. Gescannter Text wird beim Vergrößern weich und pixelig, weil er aus Pixeln besteht.

Manche Scans sind eine Mischung. Scannersoftware führt beim Speichern oft eine Texterkennung durch und versteckt den erkannten Text hinter dem Bild, damit Sie markieren und suchen können. Dieser versteckte Text ist allerdings nur so gut wie die Vermutung des Scanners. Kopieren Sie einen Absatz in einen einfachen Texteditor, dann sehen Sie genau, was darin steht – Lesefehler eingeschlossen.

Was OCR tatsächlich macht

OCR, die optische Zeichenerkennung, ist das Verfahren, das aus einem Bild von Text Zeichen macht. Es arbeitet in Stufen. Zuerst wird das Bild aufbereitet: begradigt, wenn es schief ist, und im Kontrast angepasst. Dann sucht die Software die Bereiche, die Text enthalten, zerlegt sie in Zeilen und Wörter und vergleicht jede Form mit dem, was sie über das Aussehen von Buchstaben gelernt hat; bei knappen Entscheidungen hilft ein Wörterbuch der jeweiligen Sprache.

Das Wörterbuch ist wichtig, denn es kann nur bei Wörtern helfen. Liest die OCR „lnhalt“ mit einem kleinen L, schiebt das Wörterbuch es zurück zu „Inhalt“. Liest sie eine Kontonummer als 1O45 statt 1045, gibt es nichts, woran sie sich korrigieren ließe. Typische Verwechslungen betreffen Zeichen, die sich in vielen Schriftarten ähneln: 0 und O, 1 und l und I, 5 und S, 8 und B sowie das Paar „rn“, das zu „m“ werden kann. Deshalb verstecken sich OCR-Fehler in Zahlen, Namen und Codes, und deshalb verdienen sie die genaueste Prüfung.

Warum die Ergebnisse von Scan zu Scan so stark schwanken

Derselbe Konverter kann aus einem Scan nahezu perfekten Text machen und aus einem anderen ein Durcheinander. Der Unterschied liegt fast immer im Bild:

Auflösung. 300 DPI sind die übliche Empfehlung, um Dokumente für OCR zu scannen. Unter etwa 200 DPI verliert kleine Schrift die Details, die ähnliche Buchstaben unterscheiden. Sehr kleiner Druck, etwa Fußnoten und Bedingungen auf der Rückseite eines Formulars, profitiert von 400 DPI oder mehr.
Winkel und Wölbung. Eine schräg fotografierte Seite oder eine Buchseite, die sich zum Falz hin wölbt, ergibt Textzeilen, die nicht gerade sind. Begradigen hilft, aber bei gekrümmten Zeilen gehen oft Wörter verloren oder verschmelzen.
Kontrast und Hintergrund. Farbiges Papier, Textmarker, Stempel über dem Text und blasse Kopien von Kopien machen es schwerer, Buchstaben von ihrem Hintergrund zu trennen.
Starke Komprimierung. Ein Scan mit niedriger JPEG-Qualität hat unscharfe Kanten und Schlieren um jeden Buchstaben. Ein Schwarz-Weiß-Bild in Faxqualität bricht dünne Striche auf.
Handschrift. Die OCR für die Dokumentkonvertierung ist für gedruckten Text gebaut. Handschriftliche Notizen und Unterschriften kommen meist falsch heraus oder bleiben als Bilder stehen.
Sprache und Layout. Die Erkennung wird je Schrift und Sprache trainiert, daher sind seltenere Schriften und Seiten mit gemischten Sprachen schwieriger. Mehrere Spalten, Tabellen ohne Linien und Text über Bildern erschweren den Layoutschritt zusätzlich.

Warum die Word-Datei anders aussehen kann, obwohl der Text stimmt

Die Zeichen zu erkennen, ist nur die halbe Arbeit. Ein Konverter muss die Seite außerdem als etwas neu aufbauen, das Word versteht, und steht dabei vor einem Zielkonflikt. Er kann den Text als normale fortlaufende Absätze schreiben, die sich leicht bearbeiten lassen, aber vom ursprünglichen Layout abweichen. Oder er kann jeden Textblock an seiner exakten Position festheften, was richtig aussieht, sich aber umständlich bearbeiten lässt, weil Tippen in einem Block den nächsten nicht nach unten schiebt.

Andere Unterschiede entstehen durch Informationen, die der Scan schlicht nicht enthält. OCR kann nicht wissen, welche Schriftart verwendet wurde, daher bekommt Word eine ähnliche, und Zeilenumbrüche verschieben sich. Eine Tabelle mit Linien lässt sich als Word-Tabelle neu aufbauen, eine Tabelle ohne Linien kommt dagegen womöglich als Text an, der durch Tabulatoren oder Leerzeichen getrennt ist. Kopfzeilen, Fußzeilen und Seitenzahlen können im Haupttext landen, und Logos, Stempel und Unterschriften bleiben Bilder.

Einen Scan mit PDF in Word umwandeln

Unser Tool PDF in Word führt auf den Seiten, die es brauchen, automatisch OCR durch, sodass ein Scan als .docx mit bearbeitbarem Text zurückkommt, und Seiten, die bereits Text enthalten, werden direkt konvertiert. Die Datei wird an einen Dienstleister für Dokumentkonvertierung gesendet, der angibt, die Datei und das Ergebnis innerhalb von drei Stunden zu löschen. Es gibt keine feste Größengrenze, aber das Hochladen muss innerhalb von etwa 40 Sekunden abgeschlossen sein, daher braucht ein sehr großer Scan eine schnelle Verbindung. Ein PDF, das zum Öffnen ein Passwort braucht, muss zuerst entsperrt werden.

Vor der Umwandlung lohnen sich ein paar Handgriffe:

Drehen Sie seitliche oder auf dem Kopf stehende Seiten richtig herum und entfernen Sie leere Seiten. Der Datei-Organizer erledigt beides, ohne die Datei hochzuladen.
Wenn Sie das Papier selbst scannen, verwenden Sie 300 DPI in Graustufen oder Farbe statt des Schwarz-Weiß-Modus des Scanners, der dünne Buchstaben zerreißen kann, bevor die OCR sie überhaupt zu sehen bekommt.
Brauchen Sie nur wenige Seiten, wandeln Sie nur diese um. Dann gibt es danach weniger zu prüfen.

Was Sie prüfen sollten, bevor Sie sich auf das Ergebnis verlassen

Bei den meisten echten Scans macht OCR Fehler, und sie warnt nicht, wenn es passiert. Bevor Sie das umgewandelte Dokument versenden oder ablegen, prüfen Sie:

Jede Zahl, auf die es ankommt. Summen, Daten, Beträge, Konto- und Referenznummern, Telefonnummern. Vergleichen Sie sie mit dem Scan, nicht mit dem, was plausibel aussieht.
Namen und Adressen. Sie stehen selten in einem Wörterbuch, daher korrigiert sie nichts.
Wörter, die die Rechtschreibprüfung unterstreicht. Rote Unterstreichungen häufen sich dort, wo die OCR falsch geraten hat, wodurch die Rechtschreibprüfung von Word zu einem groben Fehlerfinder wird.
Kleingedrucktes und Ränder. Fußnoten, Stempel und Randnotizen sind der Text, der am häufigsten ganz übersehen wird.
Tabellen. Achten Sie darauf, dass jeder Wert in der richtigen Zeile und Spalte steht.

Was nicht gut funktioniert

Manche Dokumente enttäuschen jeden Konverter. Handschriftliche Formulare, Faxe, Screenshots von Dokumenten in Bildschirmauflösung und Text, der Teil eines Fotos oder Diagramms ist, müssen meist dort, wo es darauf ankommt, neu abgetippt werden.

Zwei unserer anderen Tools lesen Scans überhaupt nicht. PDF in Excel liest nur Text, der bereits im PDF steht, und kann daher keine Tabelle aus einer gescannten Seite holen. Dokument übersetzen weist gescannte PDFs aus demselben Grund ab. In beiden Fällen können Sie den Scan zuerst mit PDF in Word umwandeln, den Text prüfen und mit der Word-Datei weiterarbeiten: eine Tabelle nach Excel kopieren oder die .docx-Datei übersetzen.

Fazit

Ein gescanntes PDF in Word umzuwandeln bedeutet zwei Vermutungen hintereinander: welche Buchstaben es sind und wie die Seite aufgebaut war. Ein scharfer, gerader Scan mit 300 DPI erleichtert beide Vermutungen, und eine sorgfältige Prüfung von Zahlen und Namen fängt ab, was die OCR falsch macht. Behandeln Sie das Ergebnis als ersten Entwurf des Textes, nicht als Kopie des Originals, dann werden Sie selten überrascht.

Haben Sie einen Scan, aus dem Text werden soll? Probieren Sie den PDF-in-Word-Konverter.

← Zurück zum Blog