Werden meine Dateien auf einen Server hochgeladen?

Nein. Die Umwandlung läuft vollständig in Ihrem Browser, mit der Rechenleistung Ihres eigenen Geräts. Die Datei verlässt Ihren Computer oder Ihr Handy nicht. Und wurde ein Werkzeug einmal benutzt, funktioniert es auch ohne Internetverbindung weiter (Video, Texterkennung und Hintergrundentfernung laden ihre Engine beim ersten Mal von dieser Website).

Woran erkenne ich, ob mein PDF eine Texterkennung braucht?

Versuchen Sie, Text darin zu markieren. Wird nichts hervorgehoben, ist es ein Scan und braucht OCR. Lässt sich der Text normal markieren, liefert die Umwandlung von PDF in Word das bessere Ergebnis.

Bleibt das Layout erhalten?

Sie bekommen den Text in Lesereihenfolge, keinen Nachbau des Seitendesigns. Spalten und Tabellen kommen als Text heraus, nicht als formatierte Strukturen.

PDF-Texterkennung (OCR): Text aus einem gescannten PDF

Läuft auf Ihrem Gerät · Ihre Datei verlässt nie Ihr Gerät.

Ein gescanntes PDF ist ein Stapel Bilder – deshalb lässt sich darin nichts markieren oder suchen, und deshalb kommt die Umwandlung in Word leer zurück. Die Texterkennung liest die Buchstaben aus jedem Seitenbild und gibt Ihnen echten Text.

Jede Seite wird zuerst in hoher Auflösung gerendert und dann erkannt; der Fortschritt wird Seite für Seite angezeigt. Lange Dokumente brauchen ihre Zeit, denn die Erkennung leistet echte Arbeit auf Ihrem Gerät, statt auf einem Server in der Warteschlange zu stehen.

Deutsch wird mit Umlauten und ß erkannt, dazu Englisch, Arabisch – auch beides gemischt auf einer Seite – und die übrigen Sprachen der Liste. Arabischer Text behält seine Richtung von rechts nach links, in der Vorschau wie im Word-Export.

So geht’s: PDF-Texterkennung (OCR): Text aus einem gescannten PDF

Fügen Sie ein gescanntes PDF hinzu – eines, in dem sich kein Text markieren lässt.
Wählen Sie unter „Sprache des Textes“ die Sprache des Dokuments, für einen deutschen Brief also „Deutsch“; für Arabisch und Englisch auf einer Seite „Arabisch + Englisch“.
Klicken Sie auf „Text extrahieren“. Beim ersten Mal wird das Erkennungsmodell einmal heruntergeladen und danach im Browser gespeichert.
Kopieren Sie den Text oder laden Sie ihn als TXT oder Word herunter.

Unterstützte Formate und Grenzen

Eingabe: Gescannte PDFs und fotografierte Seiten
Ausgabe: Text – kopieren, TXT oder Word
Sprachen: 15: Deutsch, Englisch, Arabisch, Arabisch + Englisch gemischt, Französisch, Spanisch, Russisch, Portugiesisch, Chinesisch (vereinfacht und traditionell), Hindi, Türkisch, Hebräisch, Persisch, Urdu, Indonesisch, Bengalisch
Erster Durchlauf: Einmaliger Download des Modells, danach offline gespeichert
Wo es läuft: Im Browser – das Dokument wird nicht hochgeladen

Nicht geeignet für: Handschrift – gedruckter Text wird zuverlässig erkannt, handschriftliche Notizen deutlich weniger.

Wie jede Seite zum Lesen vorbereitet wird

Jede Seite wird zuerst als Bild mit 216 dpi gezeichnet, so wie ein PDF-Reader sie zeigt; eine Seite mit Drehungsangabe wird also aufrecht gelesen. Eine Seite, deren Scan selbst quer liegt, wird so gelesen, wie sie ist, und ergibt Unsinn; drehen Sie solche Seiten vorher mit /rotate-pdf. Sehr große Seiten, etwa ab A2, werden mit geringerer Auflösung gezeichnet, damit sie in das passen, was ein Browser als einzelnes Bild halten kann.

Jede Seite wird aus ihrem Bild gelesen, auch Seiten, die bereits echten Text enthalten. Bei einem Dokument, das teils getippt und teils gescannt ist, kommen die getippten Seiten über /pdf-to-text exakt heraus, während die Erkennung ein Zeichen verlesen kann.

Lange Dokumente

Jede Seite wird gezeichnet, gelesen und wieder freigegeben, bevor die nächste gezeichnet wird; ein langer Scan braucht also etwa so viel Speicher wie eine einzelne Seite. Der Balken füllt sich ein Stück, während die Erkennungs-Engine lädt, dann Seite für Seite, und darunter steht, welche Seite gerade gelesen wird.

„Abbrechen“ hält bei der Seite an, die gerade gelesen wird, und behält den Text der fertigen Seiten: Eine Zeile nennt, wie viele von wie vielen erledigt sind, und Kopieren, TXT und Word enthalten diese Seiten. Mehrere PDFs und Fotos von Seiten lassen sich zusammen hinzufügen und werden in einem Durchgang nacheinander gelesen.

Was Sie zurückbekommen

Das Ergebnis ist Text, kein neues PDF: Die gescannte Datei bleibt eine Sammlung von Bildern. Werden mehrere Seiten gelesen, beginnt der Text jeder Seite mit einer Zeile wie --- scan.pdf — Seite 3 ---, geschrieben in der Sprache der Seite, die Sie nutzen, damit Sie wiederfinden, woher eine Passage stammt. Die Word-Datei trägt den Namen des PDFs als Titel, und jede Seite steht unter ihrer eigenen Überschrift, eine nach der anderen statt auf getrennten Seiten.

Prüfen Sie vor dem Klick auf „Text extrahieren“, dass unter „Sprache des Textes“ die Sprache des Dokuments eingestellt ist – für einen deutschen Scan also „Deutsch“. Die richtige Sprache ist entscheidend: Arabisch, als Englisch gelesen, ergibt nur Zeichensalat.

Häufige Fragen

Werden meine Dateien auf einen Server hochgeladen?: Nein. Die Umwandlung läuft vollständig in Ihrem Browser, mit der Rechenleistung Ihres eigenen Geräts. Die Datei verlässt Ihren Computer oder Ihr Handy nicht. Und wurde ein Werkzeug einmal benutzt, funktioniert es auch ohne Internetverbindung weiter (Video, Texterkennung und Hintergrundentfernung laden ihre Engine beim ersten Mal von dieser Website).
Woran erkenne ich, ob mein PDF eine Texterkennung braucht?: Versuchen Sie, Text darin zu markieren. Wird nichts hervorgehoben, ist es ein Scan und braucht OCR. Lässt sich der Text normal markieren, liefert die Umwandlung von PDF in Word das bessere Ergebnis.
Bleibt das Layout erhalten?: Sie bekommen den Text in Lesereihenfolge, keinen Nachbau des Seitendesigns. Spalten und Tabellen kommen als Text heraus, nicht als formatierte Strukturen.