Was ist ein gescanntes PDF und wie unterscheidet es sich von einem nativen PDF?
Ein Gescanntes PDF wird durch die Aufnahme von Bildern physischer Papierseiten mit einem Scanner oder einer Telefonkamera erstellt. Jede Seite des PDFs ist ein Foto des Originaldokuments. Der Text, den Sie auf der Seite sehen, existiert nur als Pixel im Bild. In der PDF-Datei sind keine tatsächlichen Textzeichen gespeichert. Ein gescanntes PDF ist im Wesentlichen ein Fotoalbum, in dem jedes Foto zufällig Text enthält.
Der schnellste Weg, ein gescanntes PDF zu identifizieren, besteht darin, mit dem Cursor Text auf der Seite auszuwählen.
Die OCR-Technologie schließt die Lücke zwischen gescannten und nativen PDFs, indem sie eine durchsuchbare Textebene hinzufügt.
Ein natives PDF, auch digitales PDF oder Born-Digital-PDF genannt, wird direkt aus einer Softwareanwendung erstellt. Wenn Sie ein Word-Dokument in eine PDF-Datei exportieren, eine Tabelle als PDF speichern oder eine PDF-Datei aus einer Designanwendung erstellen, enthält die resultierende Datei echte auswählbare und durchsuchbare Textzeichen sowie Vektorgrafiken und eingebettete Schriftarten.
Der Text existiert als Daten, nicht nur als Pixel. Ein natives PDF ist ein strukturiertes Dokument und keine Sammlung von Seitenbildern.
Das PDF-Format unterstützt beide Arten von Inhalten innerhalb derselben Datei. Eine PDF-Datei kann auf einigen Seiten gescannte Bilder und auf anderen Seiten nativen digitalen Text enthalten. Dieses Szenario mit gemischten Inhalten kommt häufig vor, wenn Dokumente aus mehreren Quellen zusammengestellt werden, beispielsweise ein Bericht, der digital erstellte Textseiten mit gescannten Anhängen aus gedruckten Quellen kombiniert.
Der praktische Unterschied zwischen gescannten und nativen PDFs wirkt sich auf alles aus, was Sie mit dem Dokument tun können. Sie können in einem nativen PDF nach Wörtern suchen, da der Text als durchsuchbare Zeichendaten vorliegt. Sie können ein gescanntes PDF nicht durchsuchen, es sei denn, es wurde mit der OCR PDF-Technologie verarbeitet, die den Text in den Bildern erkennt und eine unsichtbare durchsuchbare Textebene hinzufügt. Sie können Text aus einem nativen PDF auswählen und kopieren. Sie können keinen Text aus einer gescannten PDF-Datei auswählen. Sie können Text in einem nativen PDF mit einem PDF-Editor bearbeiten. Sie können Text in einer gescannten PDF-Datei nicht bearbeiten, da keine zu bearbeitenden Textzeichen vorhanden sind.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.
So erkennen Sie, ob eine PDF-Datei gescannt oder nativ ist
Der schnellste Test besteht darin, zu versuchen, Text im PDF auszuwählen. Öffnen Sie die PDF-Datei, klicken Sie mit der Maus oder dem Finger auf ein Wort und ziehen Sie es darüber. Wenn der Text beim Ziehen hervorgehoben wird, enthält die PDF-Datei nativen, auswählbaren Text. Wenn beim Auswählen von Text nichts passiert, handelt es sich bei der Seite wahrscheinlich um ein gescanntes Bild. Wenn einige Wörter hervorgehoben werden, andere jedoch nicht, weist die PDF-Datei möglicherweise eine teilweise oder beschädigte Textebene auf.
Für einen weiteren Schnellcheck sorgt der Zoom-Test. Vergrößern Sie einen Textabschnitt auf 300 oder 400 Prozent. Wenn der Text bei hoher Vergrößerung scharf und klar bleibt, handelt es sich wahrscheinlich um nativen Vektortext, der sich problemlos auf jede Größe skalieren lässt. Wenn der Text bei hoher Vergrößerung verpixelt wird und gezackte Ränder aufweist, handelt es sich um ein gescanntes Bild. Dieser visuelle Test funktioniert, weil Vektortext bei jeder Zoomstufe reibungslos gerendert wird, während bildbasierter Text beim Vergrößern seine Pixelstruktur offenbart.
PDF-Viewer-Tools können auch melden, ob ein Dokument Text enthält. In Adobe Acrobat zeigt das Bedienfeld „Dokumenteigenschaften“ die Anzahl der Seiten an und ob die Datei durchsuchbaren Text enthält. Einige Viewer zeigen eine Textebenenanzeige an. Tools zur Dokumentanalyse können ein PDF scannen und den Prozentsatz der Seiten mit nativem Text im Vergleich zu reinen Bildinhalten melden.
Die Dateigröße kann einen Anhaltspunkt geben, ist jedoch nicht endgültig. Ein gescanntes PDF, das aus Seitenbildern besteht, ist in der Regel größer als ein natives Text-PDF mit derselben Seitenanzahl, da Bilder mehr Speicherplatz als Text benötigen. Ein 10-seitiges natives Text-PDF kann 100 bis 500 Kilobyte groß sein. Ein 10-seitiges gescanntes PDF kann 2 bis 10 Megabyte groß sein. Allerdings kann ein natives PDF mit hochauflösenden eingebetteten Bildern auch groß sein, sodass die Dateigröße allein kein verlässlicher Indikator ist.
Warum die Unterscheidung für alltägliche PDF-Aufgaben wichtig ist
Die Suche ist die am häufigsten von der Unterscheidung zwischen gescannten und nativen Daten betroffene Aufgabe. Wenn Sie ein 50-seitiges PDF erhalten und jede Erwähnung eines bestimmten Begriffs finden müssen, liefert Ihnen ein natives PDF über die Suchfunktion in Sekundenschnelle die Antwort. Eine gescannte PDF-Datei zwingt Sie dazu, jede Seite manuell visuell zu scannen, was Minuten dauert und möglicherweise Vorkommnisse übersieht. Die Möglichkeit, ein Dokument zu durchsuchen, verändert die Art und Weise, wie Sie damit interagieren.
Für die Textextraktion zur Wiederverwendung in anderen Dokumenten ist nativer Text erforderlich. Wenn Sie in Ihrem eigenen Bericht einen Absatz aus einer PDF-Datei zitieren müssen, können Sie den Text in einer nativen PDF-Datei kopieren und direkt einfügen. Bei einer gescannten PDF-Datei müssen Sie den Text erneut eingeben oder OCR ausführen, um ihn extrahierbar zu machen. Bei Dokumenten, auf die Sie häufig verweisen, ist der Unterschied zwischen sofortigem Kopieren und Einfügen und manueller Neueingabe erheblich.
Barrierefreiheitstools, einschließlich Screenreader für sehbehinderte Menschen, erfordern nativen Text. Ein Screenreader kann ein natives PDF vorlesen, da er auf die Textzeichen zugreifen kann. Ein Screenreader kann ein gescanntes PDF nicht lesen, da keine Textzeichen vorhanden sind, auf die zugegriffen werden kann. Um gescannte PDFs zugänglich zu machen, ist eine OCR-Verarbeitung erforderlich, um eine Textebene hinzuzufügen, die von Bildschirmlesern interpretiert werden kann.
Für Archivierungszwecke, bei denen das Dokument lediglich als Abbild des Originals betrachtet werden muss, ist das Format Gescanntes PDF vollkommen ausreichend. Eine gescannte Kopie eines unterzeichneten Vertrags dient als visuelle Dokumentation des unterzeichneten Dokuments. Für jeden Zweck, der die Interaktion mit dem Text, das Suchen, Kopieren, Bearbeiten oder die Zugänglichkeit erfordert, ist ein natives PDF oder ein gescanntes PDF mit OCR erforderlich.
So konvertieren Sie ein gescanntes PDF in ein durchsuchbares natives PDF
Bei der optischen Zeichenerkennung handelt es sich um die Technologie, die gescannte Seitenbilder in durchsuchbare Dokumente mit einer Textebene umwandelt. Führen Sie OCR für das gescannte PDF mit einem PDF-Tool aus, das die OCR-Verarbeitung unterstützt. Das Tool analysiert jedes Seitenbild, erkennt die Textzeichen und fügt eine unsichtbare Textebene hinter dem Seitenbild hinzu. Nach der OCR sieht das PDF optisch identisch aus, ist nun aber durchsuchbar und der erkannte Text kann ausgewählt und kopiert werden.
Die OCR-Genauigkeit hängt von der Qualität des Originalscans ab. Ein sauberer Scan mit 300 DPI, gleichmäßiger Beleuchtung, flachen Seiten und scharfem Fokus führt zu einer OCR-Genauigkeit von über 99 Prozent.
Ein Scan mit niedriger Auflösung und 150 DPI mit Schatten, gekrümmten Seiten oder verschwommenem Text kann zu einer Genauigkeit von unter 95 Prozent führen, was eine manuelle Korrektur erfordert. Die Qualität des Scans bestimmt die Qualität der OCR-Ausgabe.
Überprüfen Sie nach dem Ausführen der OCR die Ergebnisse, indem Sie nach einigen Wörtern suchen, die Sie auf der Seite sehen können. Wenn die Suche sie findet, war die OCR erfolgreich. Wenn bei der Suche offensichtliche Wörter fehlen, hatte die OCR möglicherweise Schwierigkeiten mit der spezifischen Schriftart, dem Layout oder der Bildqualität dieser Seite. Führen Sie OCR mit angepassten Einstellungen oder einem Scan mit höherer Qualität erneut aus, falls verfügbar.
Das OCR PDF-Tool von WukongPDF verarbeitet gescannte Dokumente im Browser und gibt ein PDF mit einer durchsuchbaren Textebene zurück. Laden Sie das gescannte PDF hoch, führen Sie OCR aus und laden Sie ein Dokument herunter, das Suche, Textauswahl und Screenreader-Zugriff unterstützt. Der OCR-Prozess bewahrt das ursprüngliche visuelle Erscheinungsbild und fügt gleichzeitig die Textebene hinzu, die das Dokument interaktiv macht.
Der Dateigrößenunterschied zwischen gescannten und nativen PDFs wird besonders wichtig, wenn es um große Dokumentensammlungen geht. Ein Aktenschrank mit in PDF gescannten Papierdokumenten könnte Zehntausende gescannter PDF-Seiten ergeben, wobei jede Seite ein vollständiges Bild darstellt. Bei 500 Kilobyte pro Seite für einen typischen 300-DPI-Graustufenscan verbrauchen 10.000 Seiten 5 Gigabyte Speicherplatz. Das Ausführen von OCR für diese gescannten PDFs verringert nicht die Dateigröße, da die Seitenbilder erhalten bleiben, aber es fügt die durchsuchbare Textebene hinzu, die die Sammlung praktisch nutzbar macht.
Für Dokumente, die eine Langzeitarchivierung erfordern, ist das PDF/A-Format der Archivierungsstandard. Sowohl gescannte PDFs als auch native PDFs können in PDF/A konvertiert werden. Ein gescanntes PDF, das in PDF/A konvertiert wurde, bleibt ein bildbasiertes Dokument mit dem Zusatz von Archivmetadaten. Ein in PDF/A konvertiertes natives PDF behält seine Text- und Struktureigenschaften. PDF/A verändert nicht den gescannten oder nativen Charakter des Dokuments. Es fügt standardisierte Metadaten hinzu und erzwingt strukturelle Anforderungen, die die langfristige Bewahrbarkeit verbessern.
Wenden Sie bei PDFs, die gescannte und native Seiten mischen, OCR auf die gescannten Seiten an und lassen Sie die nativen Seiten unberührt. Die meisten OCR-Tools können bestimmte Seitenbereiche verarbeiten, sodass Sie OCR nur auf Seiten ausführen können, die dies benötigen. Nach der Verarbeitung behält das PDF den nativen Text auf den Originalseiten bei und verfügt über eine durchsuchbare Textebene auf den ehemals reinen Bildseiten, wodurch eine konsistente Durchsuchbarkeit im gesamten Dokument gewährleistet wird.
Für Dokumente, die ausgedruckt und handschriftlich ausgefüllt werden, reicht ein gescanntes PDF des Originalformulars vollkommen aus. Der Empfänger druckt die PDF-Datei aus, füllt die Lücken mit einem Stift aus und sendet entweder die physische Kopie zurück oder scannt sie zurück in die digitale Version. Für Dokumente, die digital ausgefüllt werden sollen, ist ein natives PDF mit Formularfeldern deutlich überlegen, da der Empfänger direkt in die Felder tippen kann.
Bei der Wahl zwischen dem Scannen eines Dokuments als PDF und der Erstellung einer nativen PDF-Datei aus der ursprünglichen Quelldatei sollte der gesamte Lebenszyklus des Dokuments berücksichtigt werden, nicht nur der unmittelbare Bedarf. Ein gescanntes PDF eines Vertrags kann problemlos per E-Mail an die andere Partei zur Überprüfung gesendet werden. Wenn dieser Vertrag später im Streitfall nach einer bestimmten Klausel durchsucht werden muss, wird die mangelnde Durchsuchbarkeit des gescannten PDF zu einem erheblichen Problem. Beim Erstellen einer nativen PDF-Datei zum Zeitpunkt der Dokumenterstellung bleiben Optionen erhalten, die beim Scannen nicht vorhanden sind.
Moderne Scansoftware beinhaltet oft eine automatische OCR-Verarbeitung, wodurch in der Praxis die Unterscheidung zwischen gescannten und nativen PDFs verwischt wird. Ein mit einer Telefon-App gescanntes Dokument, das unmittelbar nach der Erfassung OCR durchführt, erzeugt ein PDF, das technisch gesehen ein gescanntes Bild ist, aber funktionell wie ein natives PDF durchsuchbar ist. Dieser hybride Ansatz kombiniert den Komfort des Scannens mit der Durchsuchbarkeit von nativem Text.
Probieren Sie PDF-OCR aus
Keine Installation erforderlich. Funktioniert direkt in Ihrem Browser.