Gescanntes PDF durchsuchbar machen
Du bekommst nicht den Text, sondern dein PDF zurück: gleiche Seiten und gleiches Aussehen, mit einer unsichtbaren Textebene darüber, passgenau auf den Wörtern, sodass Strg+F sowie Kopieren und Einfügen funktionieren. Alles in deinem Browser.
Was hier herauskommt und was nicht
Heraus kommt eine .pdf-Datei, keine Textdatei. Die Seiten sind dieselben, das Aussehen ist dasselbe, die Datei wird nur ganz wenig größer: Was sich ändert, ist, dass über die Fotos eine unsichtbare Textebene gelegt wurde, Wort für Wort ausgerichtet. Ab dann verhält sich das PDF wie ein normales: Strg+F durchsucht es, der Text lässt sich markieren und kopieren, und die Programme, die darin suchen, finden endlich etwas.
Brauchst du dagegen nur den Text und sonst nichts, etwa zum Einfügen in eine E-Mail oder ein Dokument, ist ein anderes Tool das richtige, nämlich Text aus Bild (OCR). Und wenn du nicht weißt, welcher der beiden Fälle deiner ist, mach den schnellsten Test: Öffne die Datei mit Text aus PDF extrahieren.
Die Seiten bleiben, wie sie sind: Es wird nur etwas darübergelegt
Der einfache Weg wäre, jede Seite in ein Bild zu verwandeln und ein neues PDF zu bauen. Das passiert hier nicht, und das ist eine bewusste Entscheidung: Die Datei würde viel größer werden, die Darstellung würde mit jedem Schritt schlechter werden, und das Ergebnis wäre das, was du ohnehin schon von Hand mit zwei Tools dieser Website nacheinander bekommst. Die ursprünglichen Objekte der Seite werden nicht angefasst, nur der Text kommt am Ende hinzu.
Der schwierige Teil ist nicht, die Buchstaben zu erkennen, sondern sie an die richtige Stelle zu setzen. Zwischen den Pixeln des Bildes und den Punkten des Blatts liegen der Maßstab der Zeichnung, die Drehung der Seite (Dokumente, die durch einen Scanner gegangen sind, sind fast immer gedreht) und der Koordinatenursprung des Blatts, der nicht unbedingt bei null liegt. Das sind die drei Berechnungen, an denen es liegt, wenn eine Unterschrift oder eine Textzeile mitten im Nirgendwo landet, und hier werden sie mit derselben Umrechnung erledigt wie bei In ein PDF schreiben.
Die Qualität wird gemessen, nicht versprochen
Am Ende bekommst du eine Zeile pro Seite mit der Zahl der eingefügten Wörter und der Sicherheit der Erkennung. Diese Übersicht gibt es, weil der schlimmste Fehler hier wäre, eine Datei zu übergeben, die durchsuchbar aussieht und nichts findet: Wer eine Rechnung ablegt, merkt es sechs Monate später, wenn er die Zählernummer sucht und der Computer sagt, dass es sie nicht gibt.
Die Wörter, bei denen sich die Erkennung nicht sicher ist, werden nicht eingefügt, aber gezählt. Besser ein Wort zu wenig als ein erfundenes Wort in einem Archiv. Kommt eine Seite schlecht heraus, liegt es fast immer daran, dass das Blatt schief liegt oder schräg fotografiert wurde, und dann bringt das Geraderücken mit Fotografiertes Dokument begradigen viel mehr als jede Einstellung.
Wie lange es dauert und was es nicht macht
Die Erkennung läuft in deinem Browser, deshalb hängt die Zeit von deinem Computer ab: Ein Blatt dauert ein paar Sekunden, und die Schätzung, die du während der Arbeit siehst, beruht auf den schon erledigten Seiten und wird nicht vorab versprochen. Du kannst jederzeit anhalten und behalten, was fertig ist. Die Obergrenze liegt bei sechzig Seiten, das erfährst du vor dem Start, und darüber zerlegst du das Dokument mit PDF aufteilen und Seiten extrahieren.
Das Tool erkennt keine Handschrift, bringt Tabellen nicht wieder in Spalten und öffnet keine passwortgeschützten PDFs; die müssen zuerst entsperrt werden mit PDF-Passwort entfernen. Seiten, die schon Text haben, bleiben unberührt, sonst würde jede Suche dasselbe Wort zweimal finden. Danach ist die Datei bereit für Ein Wort in vielen PDFs suchen und für Tabellen aus PDF extrahieren.