Gescanntes PDF in Word

Warum ein normaler Konverter nur ein Bild liefert

Fast alle PDF-zu-Word-Konverter, unserer eingeschlossen, lesen den Text, der schon im PDF gespeichert ist. Bei einer Datei, die aus Word oder Google Docs exportiert wurde, klappt das prima. Ein Scanner speichert aber keinen Text, sondern ein Bild jeder Seite. Der Konverter findet also nichts zum Lesen und klebt einfach das Bild in die Word-Datei.

Du öffnest die .docx, klickst in einen Absatz, und die ganze Seite wird als ein einziges Bild markiert. Genau das ist mir mit einem Mietvertrag passiert, den mir der Vermieter geschickt hatte. Der Text steht da, du siehst ihn, aber du kommst nicht ran.

Damit das funktioniert, muss zuerst eine Texterkennung (OCR) laufen. Irgendetwas muss sich die Pixel ansehen und entscheiden, dass diese Form ein "a" ist und jene eine "7". Erst dann gibt es Text, der nach Word kann.

Was das Tool mit deinem Scan macht

Jede Seite läuft durch Tesseract, die Open-Source-Texterkennung, auf der ein großer Teil ernsthafter OCR-Software aufbaut. Vorher wird die Seite gerade gerückt, weil ein um ein, zwei Grad schiefer Scan erstaunlich viele Wörter verliert. Seiten, die schon echten Text enthalten, bleiben, wie sie sind.

Danach kommt der Teil, an dem ich am längsten gesessen habe. Rohes OCR-Ergebnis ist ein Haufen einzelner Zeilen. Fügst du das direkt in Word ein, endet jede Zeile mit einem harten Umbruch, und getrennte Wörter bleiben zerhackt. Der Konverter schaut sich die Abstände zwischen den Zeilen und die Schriftgröße an, setzt daraus echte Absätze zusammen, fügt getrennte Wörter wieder zusammen und macht aus großen Zeilen, etwa einem Briefkopf oder einer Kapitelüberschrift, richtige Word-Überschriften. Jede Seite des Scans beginnt auf einer neuen Seite im Dokument.

Heraus kommt eine schlichte, saubere .docx mit normalen Formatvorlagen und ohne Textfelder, die über einem Bild schweben. Du kannst die Schrift im ganzen Dokument auf einmal ändern, die Rechtschreibprüfung laufen lassen oder Abschnitte in ein anderes Dokument kopieren, ohne Formatierungsmüll mitzuschleppen.

Die richtige Sprache macht mehr aus, als man denkt

Tesseract liest deutlich besser, wenn es weiß, welche Sprache kommt. Stellst du Englisch ein und gibst ihm einen deutschen Vertrag, bekommst du zwar die meisten Wörter, aber die Umlaute und das ß gehen verloren, und aus "Gebühr" wird schnell "Gebuhr". Bei Japanisch, Chinesisch oder Arabisch liefert die falsche Einstellung praktisch Unsinn, weil diese Schriften eigene Modelle brauchen.

Es stehen 20 Sprachen zur Auswahl, und auf dieser Version der Seite ist Deutsch schon voreingestellt. Mischt ein Dokument zwei Sprachen, nimm die, in der der größte Teil geschrieben ist.

So wird das Ergebnis sauber

• Mit 300 DPI scannen. Unter 200 verschwimmt kleine Schrift zu Flecken.
• Schwarzweiß oder Graustufen reichen. Farbe hilft der Erkennung nicht und macht die Datei nur größer.
• Die Seite glatt auflegen. Am Buchrücken krümmen sich die Zeilen, und gekrümmte Zeilen werden schlecht gelesen.
• Handyfotos gehen, wenn die Seite das Bild ausfüllt und du gerade von oben fotografierst.
• Faxe und Kopien von Kopien funktionieren auch, aber mit mehr Fehlern. Korrekturlesen gehört dann dazu.

Auch bei einem guten Scan solltest du das Ergebnis lesen, bevor du es weitergibst. OCR verwechselt gern 0 und O oder 1 und l. Zahlen in Rechnungen und Verträgen verdienen einen zweiten Blick.

Wo es gut funktioniert und wo nicht

Am besten läuft es bei textlastigen Seiten: Briefe, Verträge, Berichte, Protokolle, alte Schreibmaschinentexte, Buchkapitel. Überall dort, wo du die Wörter zurückhaben willst, um sie zu bearbeiten.

Ehrlich gesagt hat es auch Grenzen. Tabellen kommen als Textzeilen heraus, nicht als Word-Tabelle. Zweispaltige Layouts werden meist in der richtigen Reihenfolge gelesen, aber eine Seite mit Kästen und Randspalten kann durcheinandergeraten. Fotos und Logos werden nicht übernommen. Und Handschrift ist fast immer verloren.

Kostenpflichtige Programme versuchen, das genaue Aussehen der Seite nachzubauen. Manchmal beeindruckt das, oft entsteht aber eine Word-Datei voller Textfelder, die auseinanderfällt, sobald du einen Satz ergänzt. Ich bin bewusst den anderen Weg gegangen: die Wörter richtig hinbekommen, die Struktur einfach halten und die Gestaltung dir überlassen.

Was mit deiner Datei passiert

OCR ist rechenintensiv, deshalb läuft es auf unserem Server und nicht im Browser. Dein PDF wird per HTTPS hochgeladen, in einer Warteschlange verarbeitet und gelöscht, sobald die Umwandlung fertig ist. Die Word-Datei bleibt so lange liegen, dass du sie herunterladen kannst, und wird dann automatisch entfernt. Niemand liest deine Dokumente.

Kein Konto, keine Pflicht-E-Mail, kein Wasserzeichen quer über dem Text. Die Grenze liegt bei 100 Seiten pro Datei. Ein zehnseitiger Brief ist meist in unter einer Minute fertig.