PDF-OCR
Ein gescanntes PDF ist im Grunde ein Stapel Bilder – markieren, kopieren oder durchsuchen kannst du darin nichts. Dieses Tool lässt eine Texterkennung über jede Seite laufen, direkt in deinem Browser, und speichert das Ergebnis als einfache Textdatei. Wähle eine von sechs Sprachen, lege dein PDF ab, starte die Erkennung und verfolge den Fortschritt Seite für Seite, bis die .txt-Datei bereitsteht.
100 % in deinem Browser. Deine Datei verlässt dein Gerät nie.
Funktionen
- Erkennt gedruckten Text in gescannten PDFs komplett im Browser – ohne Server-Upload.
- Sechs Erkennungssprachen zur Auswahl: Englisch, Deutsch, Französisch, Spanisch, Italienisch und Portugiesisch.
- Jede Seite wird in doppelter Auflösung gerendert, damit auch kleine Schrift lesbar bleibt.
- Fortschrittsbalken mit Seitenzähler und Abbrechen-Button, der den Vorgang sofort stoppt.
- Ausgabe als einfache .txt-Datei mit deutlicher Trennung zwischen den einzelnen Seiten.
- Engine und Sprachdaten laden erst beim Start und werden für spätere Durchläufe gecacht.
Über dieses Tool
Unter der Haube teilen sich zwei Open-Source-Bibliotheken die Arbeit. PDF.js, Mozillas PDF-Renderer, öffnet deine Datei und zeichnet jede Seite in doppelter Größe auf eine unsichtbare Zeichenfläche. Tesseract.js, eine WebAssembly-Portierung der Tesseract-OCR-Engine, analysiert anschließend jedes dieser Seitenbilder, erkennt Zeilen und Zeichen und liefert den erkannten Text Seite für Seite zurück – ganz ohne Serverbeteiligung.
Weil die OCR-Engine schwergewichtig ist – rund drei Megabyte Code plus etwa zehn Megabyte Sprachdaten – wird sie erst in dem Moment geladen, in dem du auf „Texterkennung starten“ klickst, nie beim bloßen Aufruf der Seite. Die Sprachdatei wird pro Sprache nur einmal geholt und vom Browser gecacht; ein zweiter Durchlauf mit derselben Sprache startet dadurch spürbar schneller.
Dein PDF selbst verlässt dein Gerät nicht: Es wird in den Speicher gelesen, gerendert, erkannt und beim Verlassen der Seite verworfen. Das Ergebnis speicherst du als .txt-Datei, benannt nach dem Originaldokument, mit einer Überschrift für jede Seite. Brichst du zwischendurch ab, wird der Erkennungs-Worker sofort beendet und nichts davon irgendwo gespeichert.
So führt man OCR auf einem PDF aus
-
Gescanntes PDF ablegen
Zieh die Datei auf die Ablagefläche oder klicke darauf, um den Dateidialog zu öffnen. Das Tool liest das PDF lokal ein und zeigt Name und Größe in einer kleinen Karte an.
-
Die Erkennungssprache wählen
Wähle im Auswahlmenü die vorherrschende Sprache des Dokuments – Englisch, Deutsch, Französisch, Spanisch, Italienisch oder Portugiesisch. Der erste Durchlauf pro Sprache lädt rund zehn Megabyte Sprachdaten herunter, die anschließend gecacht werden.
-
Die Texterkennung starten
Klicke auf „Texterkennung starten“. Das Tool lädt jetzt PDF.js und die Tesseract-Engine nach, öffnet dein Dokument und beginnt, die erste Seite zu rendern. Übertragen werden dabei nur die öffentlichen Bibliotheksdateien – nie dein PDF.
-
Warten oder jederzeit abbrechen
Ein Fortschrittsbalken zählt die Seiten einzeln durch – die Erkennung läuft nacheinander, lange Dokumente brauchen also etwas Geduld. Der Abbrechen-Button beendet den OCR-Worker sofort und bringt dich zurück zum Anfang.
-
Die Textdatei speichern
Sobald die letzte Seite fertig ist, bekommst du eine .txt-Datei zum Download angeboten, benannt nach deinem PDF. Jede Seite steht darin als eigener Abschnitt, sodass du den Text dem Original zuordnen kannst.
Typische Anwendungsfälle
-
Papierarchiv durchsuchbar machen
Ein Ordner voller gescannter Rechnungen, Verträge oder Protokolle nützt wenig, wenn du eine bestimmte Klausel suchst. Jag jedes PDF einmal durch die Texterkennung und leg die Textausgabe neben den Scan – schon ist dein Archiv mit jeder Desktop-Suche durchsuchbar, und Beträge, Daten und Namen lassen sich kopieren statt abtippen.
-
Aus gescannter Literatur zitieren
Studierende und Forschende arbeiten oft mit gescannten Buchkapiteln oder alten Fachartikeln, aus denen sich nichts kopieren lässt. Einmal per OCR erfasst, kannst du Passagen zitieren, den Text in Literaturverwaltung oder Übersetzungstools übernehmen und das ganze Dokument nach einem Begriff durchsuchen, statt Seitenbilder mit den Augen abzusuchen.
-
Vertrauliche Scans ohne Cloud
Arztbriefe, Gehaltsabrechnungen oder anwaltliche Korrespondenz haben auf einem anonymen OCR-Server nichts verloren, nur damit man an den Text kommt. Weil die Erkennung hier komplett in deinem eigenen Browser stattfindet, geht das Dokument zu keinem Zeitpunkt durchs Netz – eine praktikable Option, wenn Vertraulichkeitsregeln, Berufsgeheimnisse oder schlicht Vorsicht gegen Cloud-Dienste sprechen.
Tipps & Grenzen
- Die Ausgabe ist reiner Text: Spalten, Tabellen, Schriftauszeichnungen und Bilder gehen verloren, und mehrspaltige Layouts können in durcheinandergewürfelter Reihenfolge herauskommen. Rechne damit, das Ergebnis nachzuformatieren.
- Die Erkennung läuft komplett auf deinem Gerät, Seite für Seite. Ein Scan mit hundert Seiten kann mehrere Minuten dauern und fordert die CPU – lass den Tab bis zum Ende geöffnet und im Vordergrund.
- Die Qualität steht und fällt mit dem Scan: mindestens 200 DPI, gerade Seiten und guter Kontrast liefern die besten Ergebnisse. Schiefe, dunkle oder stark komprimierte Handyfotos erzeugen deutlich mehr Fehler.
- Pro Durchlauf ist nur ein Sprachmodell aktiv. Bei gemischtsprachigen Dokumenten wählst du am besten die dominierende Sprache und nimmst Fehler in der anderen in Kauf – oder lässt das Tool zweimal mit unterschiedlicher Einstellung laufen.
Häufige Fragen
Wird mein gescanntes PDF auf einen Server hochgeladen?
Nein. Das PDF wird vollständig in deinem Browser geöffnet und verarbeitet. Übers Netz gehen nur der einmalige Download der OCR-Engine und der gewählten Sprachdaten – beides öffentliche Bibliotheksdateien, die nichts von dir enthalten.
Warum dauert der erste Durchlauf so lange, bis es losgeht?
Der Klick auf „Texterkennung starten“ stößt den Download der Tesseract-Engine (rund drei Megabyte) plus etwa zehn Megabyte Sprachdaten an. Dein Browser cacht beides – weitere Durchläufe mit derselben Sprache überspringen den Download und starten fast sofort.
Welche Sprachen kann das Tool erkennen?
Eingebaut sind sechs Sprachen: Englisch, Deutsch, Französisch, Spanisch, Italienisch und Portugiesisch. Es läuft immer nur ein Modell gleichzeitig – wähle also die Sprache, die im Dokument überwiegt. Tesseract kennt noch weitere Sprachen, die diese Browser-Version aber nicht anbietet.
Bekomme ich ein durchsuchbares PDF mit unsichtbarer Textebene?
Nicht in der Browser-Version – das Ergebnis ist eine separate .txt-Datei. Eine unsichtbare Textebene hinter die gescannten Seitenbilder zu legen erfordert eine aufwendigere Verarbeitung, als sie clientseitig sinnvoll machbar ist. Wenn du ein durchsuchbares PDF brauchst, ist Desktop-OCR-Software der bessere Weg; die Textdatei eignet sich gut zum Kopieren und Durchsuchen.
Wie genau ist die Erkennung?
Bei sauberen, geraden Scans von gedrucktem Text ab 200 DPI erkennt Tesseract typischerweise die große Mehrheit der Wörter korrekt. Mit niedriger Auflösung, Schieflage, Flecken oder ungewöhnlichen Schriften sinkt die Trefferquote; Handschrift ist in der Regel gar nicht lesbar.
Funktioniert das mit passwortgeschützten PDFs?
Nein. Das Tool hat keine Passwortabfrage – ein verschlüsseltes PDF bricht schlicht mit einer Fehlermeldung ab. Entferne das Öffnen-Passwort vorher mit einem Programm, das PDFs entschlüsseln kann, und lass die Erkennung dann über die entsperrte Kopie laufen.
Kann ich eine laufende Erkennung abbrechen?
Ja. Die Fortschrittsansicht hat einen Abbrechen-Button, der den OCR-Worker sofort beendet und dich zurück zum Startbildschirm bringt. Gespeichert wird beim Abbruch nichts – auch Teilergebnisse bereits erkannter Seiten werden mit verworfen.
Unterwegs nutzen? Hol dir die App.
Alle Tools, komplett offline, mit Extras, die der Browser nicht kann.
