Text aus gescannten Dokumenten und PDFs extrahieren

So holst du Text aus Scans: die wichtigen Einstellungen, Tipps für mehrere Seiten, wie du ein reines Bild-PDF erkennst und wie du ein durchsuchbares Archiv deiner Papiere aufbaust.

Aktualisiert

Ein Scanner macht ein Bild von einer Seite. Selbst wenn er dieses Bild als PDF speichert, bleibt die Seite ein Bild – oft „Bild-PDF“ genannt –, und du kannst ihren Text erst markieren, durchsuchen oder kopieren, wenn eine OCR ihn gelesen hat. Guter Text aus einem Scan beginnt am Scanner, und die Entscheidungen, die du dort triffst, lassen sich später kaum rückgängig machen.

Diese Anleitung behandelt Scannereinstellungen, mehrseitige Dokumente, wie du erkennst, welche Art von PDF du hast, und wie du ein durchsuchbares Archiv anlegst.

Gescanntes oder digitales PDF?

Nicht jedes PDF braucht OCR. Ein PDF, das aus Word oder von einer Webseite exportiert wurde, enthält echten Text, und den kopierst du exakt. Ein paar schnelle Tests zeigen dir, welche Art du hast:

  • Versuch, ein Wort zu markieren. Lassen sich einzelne Wörter hervorheben, hat die Seite eine Textebene. Wird die ganze Seite als ein Block markiert oder passiert gar nichts, ist sie ein Bild.
  • Such nach einem Wort, das du siehst. Findet Strg+F (⌘F auf dem Mac) nichts, gibt es keinen brauchbaren Text.
  • Zoom ganz nah heran. Digitaler Text bleibt bei jeder Vergrößerung scharf. Gescannter Text wird unscharf oder pixelig.

Achte auch auf gemischte PDFs. Ein Vertrag kann getippte Seiten enthalten, gefolgt von einer eingescannten Unterschriftenseite, oder ein Bericht gescannte Anhänge.

Auch eine Textebene kann schlecht sein. Manche PDFs wurden vor Jahren per OCR bearbeitet und tragen eine ungenaue, unsichtbare Textebene, sodass du beim Kopieren verstümmelte Wörter bekommst. Andere nutzen Schriften, die beim Kopieren als Zeichensalat herauskommen. Behandle die Seite in solchen Fällen als Bild: Exportiere sie in deinem PDF-Viewer als Bild und lies dieses.

Image to Text App liest jede Seite eines PDFs. Seiten, die bereits auswählbaren Text enthalten, werden ohne OCR direkt übernommen, und nur Bildseiten werden gelesen – so kommt ein gemischtes Dokument so genau wie möglich heraus. Die Seite PDF in Text ist genau dafür eingerichtet.

Scannereinstellungen, die der OCR helfen

Auflösung

300 dpi sind der übliche Standard für Text und das, was die Dokumentation von Tesseract als Minimum empfiehlt. Für sehr kleine Schrift, etwa Fußnoten, Kleingedrucktes in Verträgen oder Beipackzettel, scannst du mit 400 bis 600 dpi. Noch höher zu gehen macht die Dateien bei normal großer Schrift vor allem größer, ohne das Ergebnis zu verbessern.

Farbmodus

Wähle Graustufen statt Schwarzweiß. Der Schwarzweißmodus eines Scanners legt im Moment des Scannens eine feste Schwelle an: Blasse Buchstaben zerfallen, fette laufen zu, und die verlorenen Details lassen sich nicht zurückholen. Graustufen behalten diese Informationen, sodass die OCR-Software selbst entscheiden kann, was Tinte und was Papier ist.

Nimm Farbe, wenn Farbe eine Bedeutung hat: markierte Passagen, farbige Stempel, Formulare mit farbigen Feldern oder Seiten mit Fotos, die du behalten willst. Vor allem Textmarker kann in einem Schwarzweißscan zu dunkelgrauen Blöcken werden und genau den Text verdecken, den er hervorheben sollte.

Dateiformat

PDF und TIFF sind gute Formate für mehrseitige Dokumente, PNG für einzelne Seiten. Vermeide stark komprimiertes JPEG, das manche Scanner für ihre Voreinstellungen mit „kleiner Datei“ nutzen. JPEG-Kompression hinterlässt verschmierte Artefakte an den Kanten der Buchstaben, und kleine Schrift leidet am meisten darunter.

Die Hardware

Putz das Scannerglas, denn ein einziger Fleck wiederholt sich auf jeder Seite. Bei dünnem, beidseitig bedrucktem Papier legst du ein schwarzes Blatt hinter die Seite, damit die Rückseite nicht durchscheint.

Das Handy als Scanner

Für gelegentliches Scannen eignet sich ein Handy gut. Das iPhone hat einen Dokumentenscanner in den Apps Notizen und Dateien eingebaut, und viele Android-Handys bieten einen in der Kamera oder in einer Dokumenten-App. Diese Modi finden die Seitenränder, gleichen die Perspektive aus und speichern ein PDF – meist besser als ein normales Foto. Zur Fotoseite, also Licht, Winkel und Schärfe, siehe So bekommst du genaue OCR-Ergebnisse.

Mehrseitige Dokumente scannen

  • Nutze den Einzug für lose Blätter. Entferne Heftklammern und Büroklammern, fächere den Stapel auf, damit die Seiten nicht aneinanderkleben, und schalte bei beidseitigen Vorlagen den Duplex-Scan ein.
  • Zähl die Seiten. Einzüge überspringen gelegentlich eine Seite oder ziehen zwei auf einmal ein. Vergleiche die Seitenzahl des Scans mit dem Original, bevor du das Papier wegräumst.
  • Scanne Bücher auf dem Flachbett. Drück den Buchrücken herunter, damit sich die Zeilen zur Bindung hin nicht wölben, und rechne mit einem Schatten am inneren Rand. Eine Lichtkorrektur kann den Schatten ausgleichen, gewölbte Zeilen aber nicht begradigen.
  • Benenne Dateien so, dass sie richtig sortiert werden. Scannst du Seiten als einzelne Bilder, nummeriere sie 001, 002, 003 statt 1, 2, 3. Sonst landet Seite 10 vor Seite 2.

In Image to Text App wird jede Seite eines PDFs oder mehrseitigen TIFFs zu einer Seite im Arbeitsbereich. Du kannst Seiten in die richtige Reihenfolge ziehen, jede Seite erneut lesen und mit der Ansicht „Gesamtes Dokument“ alle Seiten durchsuchen und das Ergebnis als eine Datei exportieren.

Ein durchsuchbares PDF erstellen

Ein durchsuchbares PDF ist der Originalscan mit einer unsichtbaren Textebene, die genau über den Wörtern liegt. Es sieht aus wie der Scan, aber du kannst es durchsuchen, Text markieren und kopieren. Auch die Dateisuche deines Computers und viele Cloudspeicher finden es anhand seines Inhalts.

Das ist oft das beste Format zum Aufbewahren eines Dokuments, weil es alles bewahrt, was auf dem Papier zu sehen war – Unterschriften, Stempel und Layout eingeschlossen –, und du es trotzdem über ein Wort darin wiederfindest. Willst du den Text bearbeiten, exportiere stattdessen nach Word oder als reinen Text. Das Tool Bild in PDF erstellt durchsuchbare PDFs aus Bildern.

Ein Haken: OCR-Fehler in der versteckten Ebene sieht man nicht. Wurde ein Name falsch gelesen, findet die Suche danach diese Seite nicht. Bei wichtigen Suchen nimmst du lieber einen kürzeren Suchbegriff, etwa die ersten Buchstaben eines Nachnamens – der übersteht ein einzelnes falsch gelesenes Zeichen eher.

Papierdokumente archivieren

Ein paar Gewohnheiten halten ein Scanarchiv über Jahre nützlich:

  • Beginne Dateinamen mit dem Datum. Ein Name wie 2026-03-14 Stromrechnung März.pdf sortiert sich in jedem Ordner automatisch nach Datum.
  • Halte die Ordnerstruktur flach. Eine Handvoll grober Ordner wie Wohnen, Steuer, Gesundheit und Arbeit lässt sich leichter durchsuchen als ein tief verschachtelter Baum.
  • Denk für die Langzeitarchivierung an PDF/A. PDF/A ist eine nach ISO genormte Variante von PDF, die fürs Archivieren gedacht ist. Sie bettet alles ein, was zur Anzeige der Datei nötig ist, etwa Schriften, damit sich das Dokument auch in vielen Jahren noch richtig öffnen lässt. Viele Scannerprogramme und PDF-Tools können in diesem Format speichern.
  • Mach Backups. Eine verbreitete Faustregel: drei Kopien auf zwei verschiedenen Arten von Speichermedien, eine davon an einem anderen Ort.
  • Behalte das Papier, wenn das Papier zählt. Testamente, notarielle Urkunden, Eigentumsnachweise sowie manche Steuer- und Rechtsunterlagen müssen unter Umständen im Original aufbewahrt werden. Die Regeln sind je nach Land und Dokument verschieden, also informier dich, bevor du etwas Wichtiges schredderst.

Gescannte Dokumente gehören außerdem meist zu den sensibelsten Dateien, die man besitzt: Ausweise, Kontoauszüge, Arztbriefe. Bevor du sie durch ein Online-Tool schickst, lies in Ist Online-OCR privat? nach, worauf du achten solltest.

Weitere Anleitungen