Das Drücken von Strg+F in einem PDF und das Nichtsfinden – oder das Finden der Suchleiste funktioniert, liefert aber keine Ergebnisse, selbst für Wörter, die Sie deutlich auf der Seite sehen können – ist ein Problem mit der Textebene. Das PDF enthält keinen durchsuchbaren Text, was bedeutet, dass Sie ein Bild und keine echten Zeichen sehen. Die Lösung ist OCR, und sie ist schneller, als die meisten Leute erwarten.
Warum einige PDFs keinen durchsuchbaren Text haben
Ein PDF kann zwei grundsätzlich unterschiedliche Arten von Inhalten enthalten. Der erste ist echter Text – Zeichen, die als Textdaten gespeichert sind und durchsucht, ausgewählt und kopiert werden können. Bei der zweiten handelt es sich um Bilddaten – ein Foto einer Seite, bei der die Buchstaben nur Pixel sind, optisch nicht von echtem Text auf dem Bildschirm zu unterscheiden, aber strukturell völlig anders.
Gescannte Dokumente sind immer bildbasiert – der Scanner fotografiert die Seite. Aber selbst digital erstellte Dokumente können letztendlich nur aus Bildern bestehen, wenn sie durch Reduzieren des Inhalts konvertiert, aus bestimmten Design-Software ohne Texterhaltung exportiert oder über Druck-zu-Bild-Workflows gespeichert wurden. Das visuelle Ergebnis sieht identisch aus; Nur die zugrunde liegende Datenstruktur ist unterschiedlich.
Probieren Sie PDF OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
So überprüfen Sie, ob Ihr PDF eine Textebene hat
Öffnen Sie das PDF und versuchen Sie, durch Klicken und Ziehen ein einzelnes Wort auszuwählen. Wenn Sie einzelne Wörter hervorheben können und der ausgewählte Text blau hervorgehoben wird (oder in der Auswahlfarbe Ihres Betrachters), verfügt das PDF über eine echte Textebene und sollte durchsuchbar sein. Wenn durch Klicken und Ziehen ein rechteckiges Auswahlfeld über dem Seitenbild erzeugt wird, anstatt bestimmte Wörter hervorzuheben, handelt es sich um ein bildbasiertes Dokument.
Ein zweiter Test: Versuchen Sie Strg+A, um alle auszuwählen. In einem textbasierten PDF wird der Text im gesamten Dokument hervorgehoben. In einem bildbasierten PDF wird nichts sichtbar ausgewählt, oder die gesamte Seite wird als einzelner Bildblock ausgewählt.
Die Lösung: OCR ausführen
OCR (optische Zeichenerkennung) liest das Bild und wandelt das Gesehene in Textzeichen um, wodurch dem PDF eine Textebene hinzugefügt wird. Nach der OCR ist das Dokument durchsuchbar – Strg+F findet Wörter, Text kann ausgewählt und kopiert werden und Screenreader können den Inhalt interpretieren.
Das Tool OCR PDF von WukongPDF übernimmt dies im Browser. Laden Sie das bildbasierte PDF hoch, führen Sie OCR aus und laden Sie die durchsuchbare Version herunter. Das visuelle Erscheinungsbild des Dokuments ändert sich nicht – die Seiten sehen identisch aus – aber die zugrunde liegenden Daten enthalten jetzt eine Textebene, die Such- und Auswahltools verwenden können.
Die OCR-Genauigkeit hängt von der Qualität des Originalscans ab. Sauberer, kontrastreicher schwarzer Text auf weißem Papier mit OCRs mit mehr als 200 DPI und einer Genauigkeit von 98–99 %. Verblasste Tinte, Scans mit niedriger Auflösung, ungewöhnliche Schriftarten oder Handschriften führen zu mehr Fehlern. Bei den meisten getippten Geschäftsdokumenten sind die OCR-Ergebnisse sauber genug, um sofort verwendet zu werden.
Wenn die Suche trotz vorhandenem Text nichts findet
Eine weniger häufige Situation: Das PDF hat eine echte Textebene, die Textauswahl funktioniert, aber die Suchfunktion liefert immer noch keine Ergebnisse. Dies bedeutet normalerweise, dass der Suchindex des PDF-Viewers noch nicht erstellt wurde. Einige Betrachter erstellen den Index nach dem Öffnen im Hintergrund – warten Sie ein paar Sekunden und versuchen Sie es erneut. Wenn das Problem weiterhin besteht, versuchen Sie es mit einer anderen Suchabfrage mit einfacheren Begriffen oder öffnen Sie die Datei in einem anderen Viewer.
Eine weitere Ursache: Die Textebene ist vorhanden, enthält jedoch aufgrund von Problemen mit der Schriftartenkodierung verstümmelte Zeichen. Wenn Sie versuchen, einen Satz zu kopieren und an anderer Stelle einzufügen und er als zufällige Symbole angezeigt wird, ist die Textkodierung fehlerhaft. OCR behebt auch dieses Problem – es baut die Textebene von Grund auf neu auf, indem es den visuellen Inhalt liest und die fehlerhafte Kodierung durch korrekten Text ersetzt.
Zukünftige PDFs immer durchsuchbar machen
Bei gescannten Dokumenten bedeutet die Ausführung von OCR unmittelbar nach dem Scannen, dass jedes gescannte PDF ab dem Moment der Ablage durchsuchbar ist. Manche Scannersoftware verfügt über eine integrierte OCR-Funktion und wendet diese automatisch an. Aktivieren Sie diese Einstellung, wenn sie verfügbar ist. Bei Scannern ohne integrierte OCR sorgt ein schneller OCR-Durchgang nach dem Scan vor der Ablage für zusätzliche Sekunden pro Dokument und eine erhebliche Zeitersparnis, wenn Sie Wochen oder Monate später etwas finden müssen.
Stellen Sie bei digital erstellten Dokumenten sicher, dass Sie einen ordnungsgemäßen Export anstelle von „Print-to-Image“ verwenden. Beim direkten Export aus Word, Google Docs oder einer anderen professionellen Anwendung bleibt die Textebene automatisch erhalten. Das Durchsuchbarkeitsproblem tritt nur dann auf, wenn der Exportvorgang den Inhalt rasternd verarbeitet – was normalerweise beim Drucken in PDF unter Verwendung bestimmter Treiber oder bei Exportoptionen geschieht, die das Dokument explizit reduzieren.
Probieren Sie PDF OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.