Ein aus mehreren Quellen zusammengestelltes PDF enthält häufig eine Mischung aus gescannten Bildseiten und digital erstellten Textseiten. Die ersten zehn Seiten sind gestochen scharfer digitaler Text aus einem Berichtsexport. Die nächsten fünf sind gescannte Bilder handschriftlicher Notizen. Der Anhang ist eine Mischung aus beidem. Dieses hybride Dokument stellt Verarbeitungsprobleme dar: OCR funktioniert nur auf den gescannten Seiten, Komprimierungseinstellungen, die für digitalen Text richtig sind, sind für gescannte Bilder falsch und Suchtools finden Inhalte auf einigen Seiten, auf anderen jedoch nicht.
Der gute Umgang mit gemischten PDFs bedeutet, dass jeder Seitentyp entsprechend behandelt wird, ohne das Dokument in separate Dateien aufzuteilen. In diesem Leitfaden erfahren Sie, wie Sie ermitteln, welche Seiten welche Behandlung benötigen, wie Sie Vorgänge selektiv anwenden und wie Sie eine einheitliche Ausgabe erstellen, die durchsuchbar ist, eine angemessene Größe hat und ein einheitliches Erscheinungsbild aufweist.
Laut einer Analyse des Dokumentenmanagementunternehmens M-Files aus dem Jahr 2024 machen gemischte gescannte und digitale PDFs etwa 22 Prozent aller PDFs in Unternehmensdokument-Repositories aus (M-Files, „Enterprise Document Composition Analysis“, 2024). Das Hybridformat ist weit verbreitet, da Dokumente aus verschiedenen Quellen zusammengestellt werden. Die Verarbeitungsherausforderung ist Standard.
Identifizieren, welche Seiten welche sind
Der schnellste Weg, gescannte Seiten zu identifizieren, besteht darin, Text auszuwählen. Öffnen Sie das PDF und ziehen Sie den Cursor über den Text auf einer Seite. Wenn der Text hervorgehoben ist und Sie ihn kopieren können, ist die Seite digital. Wenn Sie einzelne Wörter nicht auswählen können und der Cursor die gesamte Seite als Bild auswählt, wird die Seite gescannt. Gehen Sie das Dokument Seite für Seite durch und notieren Sie, welche Seiten gescannt werden. Dies dauert für ein typisches Dokument eine Minute und zeigt Ihnen genau, welche Seiten OCR benötigen.
Bei Dokumenten mit vielen Seiten besteht die schnellere Methode darin, nach einem gebräuchlichen Wort wie dem oder und zu suchen. Die Suchergebnisse stimmen nur auf digitalen Seiten überein. Die Seiten ohne Übereinstimmungen sind die gescannten. Der Identifizierungsschritt Gescanntes PDF ist unerlässlich, da die Anwendung der falschen Verarbeitung auf einen Seitentyp zu schlechten Ergebnissen führt. Eine zu starke Komprimierung gescannter Seiten macht den Text unlesbar. Ohne OCR werden Inhalte für die Suche unsichtbar.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
Selektive OCR: Nur die gescannten Seiten werden verarbeitet
Das Ausführen von OCR auf digitalen Seiten ist verschwenderisch und kann tatsächlich die Qualität beeinträchtigen, indem eine zweite Textebene hinzugefügt wird, die möglicherweise mit dem Original in Konflikt steht. Der richtige Ansatz besteht darin, OCR nur auf den gescannten Seiten auszuführen, während die digitalen Seiten unberührt bleiben. Einige browserbasierte OCR-Tools unterstützen die Seitenauswahl, sodass Sie einen Seitenbereich angeben oder einzelne Seiten für die OCR-Verarbeitung auswählen können.
Wenn Ihr Tool selektive OCR nicht unterstützt, teilen Sie die PDF-Datei in gescannte und digitale Abschnitte auf, führen Sie OCR nur in den gescannten Abschnitten durch und führen Sie dann alles wieder zusammen. Die zusätzlichen Schritte zum Teilen und Zusammenführen verlängern den Arbeitsablauf um einige Minuten, liefern jedoch ein besseres Ergebnis als die wahllose Ausführung von OCR. Die OCR PDF-Tools und die Zusammenführungsfunktion von WukongPDF unterstützen diesen selektiven Ansatz.
Komprimierungsstrategien für gemischte Dokumente
Eine einzelne Komprimierungseinstellung, die auf ein gemischtes Dokument angewendet wird, führt zu ungleichmäßigen Ergebnissen. Die richtige Einstellung für gescannte Bilder, normalerweise eine moderate Komprimierung, um die Lesbarkeit des Textes zu gewährleisten, ist für digitale Textseiten zu konservativ, da diese ohne sichtbaren Qualitätsverlust stärker komprimiert werden können. Die richtige Einstellung für digitalen Text macht gescannte Seiten unlesbar.
Die Lösung ist die gleiche Split-Process-Merge-Strategie: Trennen Sie den gescannten und den digitalen Abschnitt, komprimieren Sie jeden mit den für seinen Inhaltstyp geeigneten Einstellungen und kombinieren Sie ihn erneut. Der PDF-Tools-Workflow für gemischte Dokumente umfasst mehr Schritte als die Verarbeitung eines einheitlichen Dokuments, aber die Ausgabequalität rechtfertigt den zusätzlichen Aufwand. Ein gemischtes Dokument, das mit einheitlichen Einstellungen verarbeitet wird, weist entweder aufgeblähte digitale Seiten oder unleserliche gescannte Seiten auf.
Wann sollte man aufgeben und sie getrennt halten?
Bei einigen gemischten Dokumenten führt der Split-Process-Merge-Ansatz zu einem Ergebnis, das technisch korrekt, aber optisch inkonsistent ist. Unterschiedlich verarbeitete gescannte Seiten und digitale Seiten sehen im endgültigen Dokument unterschiedlich aus. Wenn visuelle Konsistenz wichtiger ist als nur eine einzelne Datei, bewahren Sie den gescannten und den digitalen Abschnitt als separate PDFs auf. Der Empfänger erhält zwei Dateien, die jeweils konsistent aussehen, und nicht eine Datei, die nicht übereinstimmend aussieht. Die PDF Tools-Entscheidung ist praktisch und nicht dogmatisch.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.