Das Ausführen von OCR PDF auf einen Ordner mit gescannten Dokumenten sollte durchsuchbare PDFs mit Namen erzeugen, die mit den Originalen übereinstimmen. Wenn Batch-OCR-Tools Ausgabedateien generisch umbenennen, z. B. Ausgabe1.pdf, Ausgabe2.pdf, geht die Verbindung zwischen dem Original und der durchsuchbaren Version verloren. Durch die Beibehaltung der Dateinamen durch den OCR-Prozess bleiben die gescannten Dokumente organisiert und nachvollziehbar.
Die Beibehaltung des Dateinamens ist ein Konfigurationsdetail und keine Funktionsbeschränkung. Die meisten OCR-Tools generieren standardmäßig Ausgabedateinamen basierend auf den Eingabedateinamen oder ermöglichen die Angabe eines Ausgabebenennungsmusters. Der Schlüssel besteht darin, die richtige Einstellung oder das richtige Befehlszeilen-Flag zu finden, bevor der Stapel ausgeführt wird, und nicht erst, nachdem festgestellt wurde, dass 200 Dateien umbenannt wurden.
WukongPDFs Gescannte PDF OCR-Tools verarbeiten Dokumente einzeln und im Stapel unter Beibehaltung der ursprünglichen Dateinamen.
Batch-OCR mit dem Aktionsassistenten von Acrobat Pro
Der Aktionsassistent von Acrobat Pro automatisiert die mehrstufige PDF-Verarbeitung für einen Ordner. Gehen Sie zu Extras, Aktionsassistent, Neue Aktion. Fügen Sie der Aktion den Schritt „Text erkennen“ hinzu und wählen Sie die richtige OCR-Sprache und Ausgabeeinstellungen aus. Fügen Sie einen Speicherschritt hinzu, der Dateien in einem angegebenen Ausgabeordner speichert und optional ein Suffix wie _OCR anhängt, um durchsuchbare Dateien von Originalen zu unterscheiden.
Führen Sie die Aktion für den Eingabeordner aus. Acrobat öffnet jede Datei, führt OCR aus, speichert die Ausgabe mit dem an den ursprünglichen Dateinamen angehängten Suffix und geht zur nächsten Datei über. Der Ausgabeordner enthält durchsuchbare PDFs mit Namen wie „report_OCR.pdf“, die dem Original „report.pdf“ entsprechen. Der Suffix-Ansatz behält den ursprünglichen Dateinamen bei und zeigt gleichzeitig deutlich an, welche Dateien OCR-verarbeitet wurden.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Befehlszeilen-Batch-OCR mit Tesseract
Tesseract verarbeitet jeweils eine Bilddatei. Für die Batch-OCR eines Ordners mit gescannten PDFs konvertieren Sie zunächst jede PDF-Seite in ein Bild, führen Sie Tesseract aus und kombinieren Sie sie dann erneut zu einer durchsuchbaren PDF-Datei. Ein Shell-Skript verwaltet die Pipeline. Für jede PDF-Datei im Ordner extrahiert das Skript den Basisdateinamen, konvertiert Seiten in TIFF-Bilder, führt Tesseract mit der entsprechenden Sprachflagge aus und generiert eine durchsuchbare PDF-Datei mit dem ursprünglichen Basisdateinamen.
Das Skript verwendet die Parametererweiterung, um die Dateierweiterung zu entfernen: base=${f%.pdf} gibt den Dateinamen ohne .pdf an. Die Ausgabe von Tesseract heißt $base und das resultierende durchsuchbare PDF wird als ${base}_searchable.pdf gespeichert. Der ursprüngliche Dateiname bleibt im Ausgabenamen erhalten. Eine einzeilige Schleife verarbeitet einen gesamten Ordner: for f in *.pdf; do tesseract $f ${f%.pdf} -l eng PDF; Erledigt.
Optimierte Batch-OCR mit OCRmyPDF
OCRmyPDF ist ein Python-basiertes Befehlszeilentool, das vorhandenen PDFs eine OCR-Textebene hinzufügt. Es übernimmt intern die Bildextraktion, OCR und die PDF-Zusammensetzung. Ein einziger Befehl verarbeitet ein PDF: ocrmypdf input.pdf output.pdf. Die Ausgabe behält die Seitenbilder bei und fügt dahinter erkannten Text als unsichtbare Ebene hinzu.
Für die Stapelverarbeitung akzeptiert OCRmyPDF einen Ordnerpfad mit dem Flag --batch oder kann in einem Shell-Skript geloopt werden. Der entscheidende Vorteil gegenüber Tesseract bei der PDF-Verarbeitung besteht darin, dass OCRmyPDF direkt mit der PDF-Eingabe und -Ausgabe arbeitet. Es ist keine Zwischenbildkonvertierung erforderlich. Der Ausgabedateiname kann pro Datei angegeben werden, wobei die ursprüngliche Namenskonvention beibehalten wird. Für die Digitalisierung gescannter Dokumente in großen Mengen bietet OCRmyPDF in Kombination mit einer Shell-Schleife den effizientesten Weg von Rohscans zu durchsuchbaren Archiven.
| Werkzeug | Batch-Methode | Dateinamenverwaltung |
|---|---|---|
| Acrobat Pro-Aktionsassistent | Aktion erstellen, auf Ordner anwenden | Behält den ursprünglichen Dateinamen bei und fügt ein Suffix hinzu |
| Tesseract-CLI | Shell for-Schleife über Ordner | Die Ausgabe entspricht dem Namen der Eingabedatei |
| OCRmyPDF | Einzelner Befehl pro Datei oder Stapel | Überschreibt oder erstellt eine neue Datei gemäß den Einstellungen |
Überprüfen der Batch-OCR-Ausgabe
Überprüfen Sie nach der Stapelverarbeitung eine Stichprobe der Ausgabedateien, bevor Sie die Originale archivieren. Öffnen Sie drei bis fünf Ausgabe-PDFs aus verschiedenen Teilen der alphabetisch sortierten Dateiliste. Suchen Sie nach einem Wort, das im gescannten Bild sichtbar ist. Wenn die Suche das Wort findet, war die OCR für diese Datei erfolgreich. Überprüfen Sie stichprobenartig die erste Seite, eine mittlere Seite und die letzte Seite jeder Stichprobendatei. Die OCR-Qualität kann innerhalb eines Dokuments variieren, wenn die Seiten eine unterschiedliche Scanqualität aufweisen.
Wenn es um Dokumenten-Workflows geht, führen Sie bei Dokumenten, bei denen die OCR fehlgeschlagen ist, was durch eine PDF-Datei angezeigt wird, in der bei der Suche nichts gefunden wird, die OCR mit angepassten Einstellungen erneut aus. Erhöhen Sie die Bildauflösung auf 400 DPI, wenn der Originalscan von geringer Qualität ist. Versuchen Sie es mit einer anderen OCR-Engine, wenn Tesseract schlechte Ergebnisse liefert. Verarbeiten Sie Problemdateien einzeln, anstatt den gesamten Stapel erneut auszuführen.
Batch-OCR mit Beibehaltung des Dateinamens verwandelt einen Ordner mit unzugänglichen gescannten Dokumenten in ein durchsuchbares Archiv, in dem jede Datei auf ihr Original zurückgeführt werden kann. Der Dateiname ist die Verbindung zwischen dem Originalscan und der OCR-verbesserten Version.
Langzeitspeicherung von OCR-verbesserten gescannten PDFs
Nach der Einrichtung speichern Sie die durchsuchbaren PDFs nach der Batch-OCR-Verarbeitung an einem Ort, an dem sowohl Seitenbilder als auch die OCR-Textebene erhalten bleiben. Das PDF/A-Format mit eingebetteter Textebene ist der Archivstandard. Konvertieren Sie die OCR-Ausgabe mit Acrobat Pro oder Ghostscript mit der PDF/A-Ausgabeeinstellung in PDF/A.
In der Praxis verursacht die OCR-Textebene nur einen minimalen Mehraufwand an Dateigröße, typischerweise 5 bis 15 Prozent. Der Kompromiss zwischen etwas größeren Dateien und der Durchsuchbarkeit lohnt sich fast immer. Ein gescanntes Dokument, das nicht durchsucht werden kann, ist deutlich weniger nützlich als eines, das durchsuchbar ist.
In der Praxis sollte die Verzeichnisstruktur für die Batch-OCR-Ausgabe die Eingabestruktur bei der Verarbeitung verschachtelter Ordner widerspiegeln. Ein rekursives Batch-Skript, das die relative Pfadstruktur beibehält, stellt sicher, dass OCR-erweiterte Dateien dieselbe Organisationshierarchie wie Originale beibehalten.
Wenn es um Dokumenten-Workflows geht, sollten Sie bei extrem großen Batch-OCR-Projekten mit Tausenden von Dokumenten eine Aufteilung der Arbeitslast auf mehrere Sitzungen oder Computer in Betracht ziehen. OCR ist rechenintensiv und ein Stapel von zehntausend Seiten kann auf einem einzigen Computer mehrere Stunden dauern.
Nach der Einrichtung erstellen Sie nach Abschluss eines Batch-OCR-Projekts ein Verarbeitungsmanifest, in dem jede Eingabedatei, ihre Ausgabedatei, die verwendete OCR-Engine und die verwendeten Einstellungen sowie das Verarbeitungsdatum aufgeführt sind. Das Manifest dient der Dokumentation und Aufzeichnung der verarbeiteten Dateien.
Aus praktischer Sicht ist der Übergang von nicht durchsuchbaren gescannten Archiven zu durchsuchbaren OCR-gestützten Sammlungen in der Praxis eine der wirkungsvollsten Digitalisierungsaktivitäten. Die Möglichkeit, zuvor unzugängliche Dokumente zu durchsuchen, verwandelt sie von statischen Datensätzen in aktive Informationsressourcen.
Die Geschwindigkeit der OCR-Verarbeitung variiert je nach Komplexität des Dokuments. Nur-Text-Seiten werden schnell verarbeitet. Seiten mit Tabellen, gemischten Schriftarten oder dekorativen Elementen benötigen länger. Ein Stapel einheitlicher Textseiten wird schneller fertiggestellt als ein Stapel unterschiedlicher Inhalte.
Bei den meisten Tools wirkt sich die OCR-Spracheinstellung auf die Stapelverarbeitungszeit und -genauigkeit aus. Durch die Auswahl nur der Sprachen, die tatsächlich in den Dokumenten vorhanden sind, wird unnötiger Verarbeitungsaufwand vermieden und die Erkennung falscher Zeichen durch ungenutzte Sprachmodelle reduziert.
Bei Dokumenten, die sowohl Text als auch Fotos enthalten, versucht die OCR-Engine möglicherweise, Text in Fotobereichen zu erkennen, was zu Rauschzeichen führt. Die Post-OCR-Filterung entfernt diese Artefakte, indem sie die räumliche Verteilung des erkannten Textes analysiert.
Normalerweise sorgt die DPI-Einstellung für OCR-Eingabebilder für ein ausgewogenes Verhältnis zwischen Verarbeitungsgeschwindigkeit und Genauigkeit. 300 DPI ist die Standardempfehlung. 400 DPI verbessert die Genauigkeit bei kleinem Text. 200 DPI verarbeitet schneller, es können jedoch feine Zeichen fehlen.
Führen Sie nach der Batch-OCR einen Stichwortsuchtest in den verarbeiteten Dateien durch und verwenden Sie dabei Begriffe, von denen bekannt ist, dass sie in den Originalen vorkommen. Dateien, in denen das Schlüsselwort nicht gefunden wird, müssen mit angepassten Einstellungen erneut verarbeitet oder manuell überprüft werden.
OCR-Ausgabedateien sollten in einer Ordnerstruktur gespeichert werden, die verarbeitete Dateien von Originalen trennt. Dadurch wird eine versehentliche erneute Verarbeitung bereits OCR-verbesserter Dateien verhindert und das Archiv bleibt organisiert.
In diesem Zusammenhang kann in der Praxis die OCR-Textebene extrahiert und für jedes Dokument separat als reine Textdatei gespeichert werden. Separate Textdateien unterstützen die Volltextsuche im gesamten Archiv, ohne jedes PDF einzeln öffnen zu müssen.
Bei der Dokumentenverarbeitung sollten Sie für hochwertige gescannte Archive in Betracht ziehen, OCR mit zwei verschiedenen Engines auszuführen und die Ausgabe zu vergleichen. Diskrepanzen zwischen den Engines weisen auf eine unsichere Erkennung hin, die eine manuelle Überprüfung erfordert.
Batch OCR ist die Brücke zwischen Papierarchiven und digitaler Suche. Ein Aktenschrank mit Papierdokumenten wird nach dem Scannen und der OCR-Verarbeitung zu einer durchsuchbaren Wissensdatenbank. Der Übergang vom physischen zum durchsuchbaren digitalen Informationsmanagement ist eine der wirkungsvollsten Transformationen im Informationsmanagement, die ein Unternehmen durchführen kann.
Batch-OCR mit Dateinamenerhaltung ist die Brücke zwischen einem Ordner mit unzugänglichen gescannten Dokumenten und einem durchsuchbaren digitalen Archiv. Die Verarbeitung erfolgt automatisiert. Die Dateinamen dienen der Nachvollziehbarkeit. Die OCR-Textebene macht jedes Dokument erkennbar. Die Kombination verwandelt eine statische Sammlung in eine aktive Informationsressource.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.