OCR erklärt: wie aus einem gescannten PDF durchsuchbarer Text wird

Ein gescanntes Dokument – ob von einem echten Scanner oder nur von einer Handykamera – ist für einen Computer ein Foto. Strg+F findet nichts, weil es dort keinen Text zu finden gibt, nur Pixel, die für einen lesenden Menschen zufällig wie Buchstaben aussehen.

Was OCR tatsächlich tut

Die optische Zeichenerkennung analysiert die Formen auf der Seite und sagt voraus, welche Zeichen sie darstellen, und fügt diesen vorhergesagten Text dann als unsichtbare, auswählbare Ebene hinzu, genau über dem Originalbild positioniert. Visuell ändert sich nichts – du schaust immer noch auf denselben Scan. Funktional hat die Seite jetzt echten Text dahinter, den ein Browser oder PDF-Reader durchsuchen, auswählen und kopieren kann.

Warum OCR hier vollständig in deinem Browser läuft

OCR PDF nutzt Tesseract.js, einen WebAssembly-Build der Open-Source-OCR-Engine Tesseract, ausgeführt als Web Worker, damit die Seite während der Arbeit nicht einfriert. Die Erkennung selbst geschieht auf deinem Gerät – der Scan wird nirgendwohin geschickt, um gelesen zu werden.

Was die Genauigkeit beeinflusst

• Die Scanqualität – ein scharfer, gut ausgeleuchteter, gerader Scan wird weit genauer erkannt als ein unscharfes oder stark verzerrtes Handyfoto.
• Handschrift – Tesseract ist wie die meisten OCR-Engines für gedruckten Text gebaut; Handschrifterkennung ist ein anderes, viel weniger zuverlässiges Problem.
• Ungewöhnliche Schriften oder starke Stilisierung – dekorative Schriftarten oder kontrastarmer Text verringern die Genauigkeit genauso, wie sie einem schnell überfliegenden Menschen Mühe bereiten würden.