Je hebt een map met 200 gescande PDF-bestanden. Oude contracten, gearchiveerde rapporten, notulen van vergaderingen die tien jaar teruggaan. Geen van hen is doorzoekbaar. Het vinden van een specifiek document betekent dat u elk bestand moet openen en met uw ogen moet scannen, wat traag, foutgevoelig en onhoudbaar is naarmate de verzameling groeit. U moet OCR in één keer op de hele batch uitvoeren, en niet op één bestand tegelijk.
Batch OCR is de oplossing, en toegankelijker dan de meeste mensen denken. U hebt geen bedrijfsdocumentbeheersysteem of een serverfarm nodig. Afhankelijk van de grootte van uw project en de tools die u kiest, kunt u aan het eind van de dag beschikken over 200 doorzoekbare PDF's. De sleutel is het kiezen van de juiste aanpak voor uw volume en uw comfort met technologie.
Voordat u begint: uw documentbatch organiseren en beoordelen
Een groot batch-OCR-project leeft of sterft tijdens de voorbereiding. Begin met het verzamelen van alle PDF's in één map. Benoem ze consequent. Als de bestanden momenteel scan001.pdf, scan002.pdf, enzovoort heten, wijzigt u de naam ervan in een beschrijvende naam voordat u OCR uitvoert. Het OCR-proces verandert de bestandsnamen niet, en het is veel gemakkelijker om een specifiek document later terug te vinden als de bestandsnaam aangeeft wat het bevat.
Beoordeel vervolgens de kwaliteit van uw scans. Open een willekeurige steekproef van 10 tot 20 bestanden en controleer de resolutie, scheefheid en contrast. Als de meeste scans 300 DPI of hoger zijn, rechtop staan en donkere tekst op een lichte achtergrond bevatten, levert batch-OCR uitstekende resultaten op met minimale handmatige tussenkomst. Als scans een lage resolutie hebben, scheef staan of een gekleurde achtergrond hebben, kunt u een lagere nauwkeurigheid verwachten en tijd inplannen voor handmatige beoordeling en correctie. Uit een benchmark uit 2025 van de PDF Association bleek dat de OCR-nauwkeurigheid op schone 300 DPI-scans gemiddeld boven de 97% lag, terwijl 150 DPI-scans van dezelfde documenten daalden tot ongeveer 87% (PDF Association, "OCR Accuracy Benchmark Report", 2025). De kwaliteit van uw input bepaalt de kwaliteit van uw output.
Optie 1: Browsergebaseerde batch-OCR voor kleine tot middelgrote batches
Voor batches van maximaal 20 tot 30 bestanden biedt een browsergebaseerde tool OCR PDF het eenvoudigste pad. De OCR-tool van WukongPDF verwerkt meerdere bestanden in één sessie. Upload de bestanden, selecteer de OCR-taal en start de verwerking. De tool voegt een doorzoekbare tekstlaag toe aan elke pagina en retourneert de bestanden als doorzoekbare PDF's. Download ze allemaal wanneer de verwerking is voltooid.
Deze aanpak vereist geen software-installatie, geen scripting en geen technische installatie. Het nadeel is dat elk bestand moet worden geüpload en gedownload, wat tijd kost die evenredig is aan de snelheid van uw internetverbinding en de betrokken bestandsgroottes. Voor 10 bestanden van elk 5 MB bedraagt de totale overdracht 50 MB omhoog en 50 MB omlaag, beheerbaar via elke breedbandverbinding. Voor 100 bestanden van elk 20 MB is de totale overdracht 2 GB omhoog en 2 GB omlaag, wat bij de meeste verbindingen even zal duren. Op die schaal wordt een desktopgebaseerde aanpak praktischer.
Optie 2: Desktopsoftware voor grote batches en volledige controle
Adobe Acrobat Pro bevat een batch-OCR-functie die precies voor dit gebruik is ontworpen. Open Acrobat, ga naar Extra, selecteer Scans verbeteren en kies Tekst herkennen. Selecteer "In meerdere bestanden" uit de vervolgkeuzelijst. Voeg de map toe die uw PDF's bevat, configureer de OCR-instellingen, taal, uitvoerformaat en kwaliteit en klik op OK. Acrobat verwerkt elk bestand in de map en slaat de doorzoekbare versies op naast de originelen of in een nieuwe uitvoermap naar keuze.
De desktopbenadering heeft verschillende voordelen voor grote projecten. Het is niet afhankelijk van uw internetsnelheid. Het kan 's nachts worden uitgevoerd terwijl uw computer verder inactief is. Het geeft u nauwkeurige controle over de OCR-parameters voor documenten die speciale verwerking vereisen, zoals bestanden die meerdere talen bevatten, ongebruikelijke lettertypen of pagina's met gemengde richtingen. Het grootste nadeel zijn de kosten. Voor Acrobat Pro is een abonnement vereist. Als u er al mee klaar bent, staat de batch-OCR-functie voor u klaar. Als u dat niet doet, evalueer dan of de projectgrootte de abonnementskosten rechtvaardigt.
Optie 3: Gratis opdrachtregel-OCR voor technische gebruikers
Tesseract, de open-source OCR-engine die wordt onderhouden door Google, kan een hele map met pdf's verwerken met een shellscript. Installeer Tesseract via Homebrew op Mac of het vooraf gebouwde Windows-installatieprogramma. Schrijf een eenvoudig lusscript dat elke PDF in een map plaatst, deze naar afbeeldingen converteert, Tesseract op elke afbeelding uitvoert en de herkende tekst opnieuw samenvoegt tot een nieuwe doorzoekbare PDF. Deze aanpak kost niets, draait volledig offline en schaalt naar duizenden bestanden.
De wisselwerking is technische complexiteit. Tesseract is een opdrachtregelprogramma. Het vereist comfort met de terminal, basiskennis van scripting en geduld om de onvermijdelijke randgevallen te debuggen: PDF's met gemengde paginaformaten, bestanden waarin de DPI-metagegevens ontbreken of verkeerd zijn, documenten waarbij de tekstherkenningstaal per bestand moet worden gespecificeerd. Voor een technisch ingestelde gebruiker die aan een persoonlijk project werkt, is Tesseract krachtig en gratis. Voor iemand die een oplossing wil die werkt zonder een opdrachtregelinterface te leren, zijn de browsergebaseerde of desktopbenaderingen veel toegankelijker.
Kwaliteitscontrole: een batch OCR-resultaten verifiëren
Nadat batch-OCR is uitgevoerd op een groot aantal Gescande PDF-bestanden, voorkomt een systematische kwaliteitscontrole het scenario waarin u zes maanden later ontdekt dat een kwart van de bestanden onleesbare tekstlagen bevat. U hoeft niet elke pagina van elk bestand te inspecteren, maar u dient wel een representatief voorbeeld te verifiëren.
Open één bestand vanaf het begin van uw batch, één vanaf het midden en één vanaf het einde. Voer voor elk bestand een zoekopdracht uit met Ctrl+F naar een woord dat u op de pagina ziet. Probeer tekst te selecteren met uw cursor. Blader een alinea door terwijl u deze vergelijkt met de zichtbare tekst. Als alle drie de voorbeeldbestanden deze tests doorstaan, is de batch-OCR waarschijnlijk over de hele linie geslaagd. Als een of meer voorbeelden problemen vertonen, open dan een grotere steekproef, misschien 10% van de bestanden, om te beoordelen of het probleem geïsoleerd of wijdverspreid is.
Veel voorkomende batch-OCR-fouten zijn onder meer bestanden waarbij de taal onjuist is ingesteld, waardoor alle tekens met accenten of niet-Latijnse tekens als wartaal worden weergegeven, bestanden met ernstige scheefheid die het algoritme voor het rechtzetten van de rechten niet kan corrigeren, en bestanden waarvan de resolutie te laag was voor betrouwbare herkenning. Voor elk van deze fouten is een specifieke oplossing beschikbaar: corrigeer de taalinstelling, maak de scan handmatig recht of scan opnieuw met een hogere resolutie voordat u de OCR opnieuw uitvoert op de getroffen bestanden.
Nadat de batch-OCR is voltooid en de kwaliteitscontroles heeft doorstaan, slaat u de originele, niet-gescande bestanden apart van de met OCR verwerkte versies op. Schijfruimte is goedkoop. Als u over de originelen beschikt, kunt u OCR in de toekomst opnieuw uitvoeren als er een betere OCR-engine beschikbaar komt of als u ontdekt dat een specifieke instelling betere resultaten zou hebben opgeleverd. Deze kleine archiveringsgewoonte heeft ervoor gezorgd dat talloze projecten geen fysieke documenten opnieuw moesten scannen die na de eerste OCR-passage waren weggegooid.