PDF-Textextraktion vs. OCR: Wählen Sie vor der Übersetzung den richtigen Weg

Nutzen Sie die Textextraktion, wenn ein PDF bereits zuverlässigen, maschinenlesbaren Text enthält. Setzen Sie auf OCR, wenn eine Seite lediglich ein Bild von Text darstellt. Enthält eine Seite eine fehlerhafte Textebene, greift keine dieser Faustregeln: Sie müssen die extrahierten Wörter mit der sichtbaren Seite vergleichen, bevor Sie entscheiden, ob Sie diese Ebene beibehalten, ersetzen oder neu anlegen.

Diese Entscheidung muss vor der Übersetzung getroffen werden. Ein Übersetzungssystem kann Mengenangaben, Namen oder Sätze, die fehlerhaft in den Workflow gelangt sind, nicht wiederherstellen. Es kann nur den Ausgangstext übersetzen, den es erhält.

Die Entscheidungstabelle im Überblick

Prüfen Sie einzelne Seiten, nicht nur ganze Dateien. Ein einzelnes PDF kann eine digital erstellte Titelseite, gescannte Kapitel und Anhänge mit veralteter OCR in sich vereinen.

Wörter markieren zu können beweist lediglich, dass ein Textobjekt existiert. Es beweist nicht, dass der Text mit dem Seiteninhalt übereinstimmt. Umgekehrt beweist ein fehlgeschlagener Kopiertest nicht, dass das gesamte PDF rein bildbasiert ist.

Unser Test mit einem vierseitigen gemischten PDF

Wir haben ein herunterladbares vierseitiges PDF mit bekanntem Inhalt erstellt. Es enthält keine vertraulichen oder fremden Dokumente:

1. eine digital erstellte Seite;
2. eine rein bildbasierte Seite;
3. eine wie gescannt wirkende Seite mit einer korrekten unsichtbaren Textebene;
4. eine wie gescannt wirkende Seite mit einer absichtlich irreführenden unsichtbaren Textebene.

Für jede Seite haben wir Poppler pdftotext auf die bestehenden PDF-Daten angewendet. Unabhängig davon haben wir die Seite mit 300 dpi gerendert und Tesseract auf diesem Bild ausgeführt. Die sichtbare Referenz wurde vor beiden Tests festgelegt.

Der Punkt ist nicht, dass Tesseract immer gewinnt. Bei diesem sauberen englischen Testbeispiel war das der Fall, weil wir die Seite gezielt so aufgebaut haben, dass die Entscheidung isoliert betrachtet werden konnte. Bei verrauschten Scans, ungewöhnlichen Schriften, Tabellen, Handschriften oder komplexen Layouts kann eine neue OCR-Erkennung auf ganz andere Weise fehlschlagen.

Die seitenweisen Ergebnisse, Entscheidungsmatrix, Hinweise zur Reproduktionund der Generator sind zusammen mit der Testdatei verfügbar. Am 21. September 2026 waren die erfassten Versionen Poppler pdftotext 26.08.0 und Tesseract 5.5.3.

Was der Test beweist – und was nicht

Er beweist, dass vier optisch lesbare Seiten drei unterschiedliche Vorbereitungsschritte vor der Übersetzung erfordern können. Er beweist auch, dass durchsuchbarer Text vom sichtbaren Seiteninhalt abweichen und dennoch plausibel wirken kann.

Er misst weder die allgemeine OCR-Genauigkeit noch Barrierefreiheit, Tabellenrekonstruktion, mehrsprachige Erkennung oder das Upload-Verhalten von BookTranslator. Die Seiten sind einfach aufgebaut und die Fehler auf Seite vier wurden bewusst eingefügt; sie stammen nicht von Tesseract.

Warum Textextraktion und OCR unterschiedliche Vorgänge sind

Die Textextraktion liest Textobjekte aus, die bereits im PDF gespeichert sind. OCR erkennt Zeichen anhand von Bildpunkten (Pixeln). Der aktuelle Leitfaden zur Textextraktion von pypdf zieht dieselbe Trennlinie: pypdf kann eine vorhandene Textebene auslesen, aber keine Wörter innerhalb eines Bildes erkennen.

Diese Unterscheidung ist entscheidend, da ein digitales PDF Informationen enthalten kann, die beim Rastern verloren gehen oder nur schwer wiederherzustellen sind: Zeichenkodierungen, Schriftartinformationen, Links, Vektorgrafiken und andere Dokumentobjekte. pypdf rät ausdrücklich davon ab, OCR pauschal auf originär digitale Dateien anzuwenden. Zudem weist die Dokumentation auf eine weitere Einschränkung hin: PDFs speichern Text meist für die visuelle Platzierung, nicht als semantische Absätze, Tabellen oder Überschriften.

Daher gehören zwei voneinander unabhängige Fragen in die Vorprüfung:

1. Stimmen die Zeichen? Vergleichen Sie extrahierte Namen, Zahlen, Satzzeichen und unbekannte Fachbegriffe mit der Seite.
2. Ist die Struktur brauchbar? Lesen Sie einen vollständigen Absatz und prüfen Sie anschließend Spalten, Fußnoten, Tabellen, Bildunterschriften und Seitenumbrüche.

Korrekte Zeichen in der falschen Reihenfolge ergeben dennoch eine unbrauchbare Ausgangsbasis für die Übersetzung.

Eine seitenweise Vorprüfung vor der Übersetzung

1. Bewahren Sie das Original auf

Behalten Sie eine unveränderte Quelldatei und notieren Sie deren Hash-Wert, falls das Dokument wichtig ist. Führen Sie Tests ausschließlich an Kopien durch. Das Ersetzen einer fehlerhaften Textebene kann Vektorinhalte rastern oder Informationen verwerfen, die Sie später noch benötigen.

2. Erfassen Sie die Seitentypen

Treffen Sie die Entscheidung nicht anhand der ersten Seite. Prüfen Sie stichprobenartig Titelei, normale Fließtextseiten, Anhänge, Tabellen, Abbildungen, Beilagen sowie jede Seite, die abfotografiert oder fotokopiert aussieht.

Notieren Sie bei umfangreichen Dokumenten die Seitenbereiche:

Die herunterladbare CSV-Datei verwendet dasselbe Schema für unsere Testdaten.

3. Schwierige Tokens vergleichen, nicht nur einfachen Fließtext

Flüssig lesbare Sätze sind als Prüfkriterium wenig aussagekräftig. Prüfen Sie stattdessen:

• einen Personennamen;
• ein Datum und eine Mengenangabe;
• eine Kennung aus Buchstaben und Zahlen;
• Text mit Akzenten oder nicht-lateinischen Zeichen;
• einen Satz mit Zeilenumbruch;
• eine Textstelle in der Nähe einer Fußnote, Abbildung oder zweiten Spalte.

Seite vier in unserem Testbeispiel würde brauchbar wirken, wenn die Prüfung bei gewöhnlichen Wörtern aufhören würde. Die Fehler konzentrieren sich auf O/0, 58/53und 7.5/7.8– genau die Art von Tokens, die nach der Übersetzung Referenzen und Fakten verfälschen können.

4. Unsicherheit ehrlich klassifizieren

Verwenden Sie vier Ergebnisse: Stichprobe bestanden, Stichprobe nicht bestanden, kein extrahierbarer Text oder noch nicht getestet. „Auswählbar“ ist kein Ergebnis. Ebenso wenig wie „OCR ist abgeschlossen“.

Stichproben haben ihre Grenzen. Drei bestandene Seiten garantieren noch kein 400-seitiges Buch, insbesondere wenn die Datei unterschiedliche Scans oder Layouts enthält. Erhöhen Sie die Prüfdichte dort, wo sich das Ausgangsmaterial ändert.

OCRmyPDF-Modus erst nach der Diagnose wählen

Die aktuelle Dokumentation von OCRmyPDF beschreibt mehrere Verhaltensweisen für Seiten, die bereits Text enthalten. Dabei handelt es sich um Routing-Entscheidungen, nicht um Qualitätsgarantien.

• Standardverhalten bricht ab, wenn eine Seite bereits druckbaren Text oder eine verborgene OCR-Ebene enthält, da das Tool nicht zuverlässig unterscheiden kann, um welche Variante es sich handelt.
• Text überspringen (Skip text) kopiert texttragende Seiten unverändert und führt bei anderen Seiten eine OCR durch. Dies ist bei einer gemischten Datei nur dann sinnvoll, wenn der vorhandene Text vertrauenswürdig ist.
• OCR wiederholen (Redo OCR) entfernt vorhandenen, nicht druckbaren OCR-Text und erkennt die Seite erneut, während druckbarer Vektortext ausgeschlossen bleibt. Dies kann für eine Mischung aus digitalen und zuvor per OCR verarbeiteten Seiten geeignet sein, erfasst jedoch nicht jedes historische Layout verlässlich.
• OCR erzwingen (Force OCR) rastert Vektorinhalte und wendet die OCR auf das resultierende Bild an. Dadurch kann eine fehlerhafte Ebene ersetzt werden, allerdings gehen Informationen verloren und interaktive Inhalte können reduziert werden.

Diese Semantik stammt aus OCRmyPDF 17.12.1s Dokumentation zu Fehlern bei vorhandenem Text. Lesen Sie die Dokumentation der jeweils installierten Version, bevor Sie eine Stapelverarbeitung starten. Ein Flag-Name ist kein Beweis dafür, dass die Ausgabe Lesezeichen, Tags, Links, Formulare oder barrierefreie Strukturen beibehalten hat.

In unserem Testbeispiel würde der Skip-Text-Modus den bewusst fehlerhaften verborgenen Text auf Seite vier beibehalten. Genau deshalb muss die Kopier- und Vergleichsprüfung vor der Auswahl eines Stapelmodus stattfinden.

Häufige Fehlannahmen

„Wenn Text auswählbar ist, OCR überspringen“

Seite vier widerlegt diese Regel. Das Auswählen zeigt lediglich die Existenz von Text an, nicht dessen Genauigkeit.

„Zur Sicherheit die gesamte PDF per OCR verarbeiten“

Das kann saubere digitale Seiten verschlechtern und nützliche PDF-Objekte verwerfen. Zudem vergrößert es den Prüfaufwand, ohne die semantische Lesereihenfolge automatisch zu korrigieren.

„Nimm einfach die Ausgabe, die flüssiger klingt“

Sprachliche Eleganz ist hier tückisch. Vergleichen Sie immer mit der sichtbaren Seite. Lassen Sie nicht zu, dass ein Sprachmodell eine Kennung oder Mengenbezeichnung stillschweigend korrigiert und das Ergebnis dann als Quellevidenz gewertet wird.

„Eine saubere Seite steht stellvertretend für die gesamte Datei“

Gemischte PDFs sind häufig: Ein digitales Deckblatt kann gescannten Kapiteln vorausgehen, oder ein durchsuchbares Buch enthält reine Bildbeilagen. Dokumentieren Sie Entscheidungen seitenbereichsweise.

Die Freigabekriterien für eine übersetzungsbereite PDF-Datei

Bevor Sie die Datei in einen Übersetzungsworkflow übergeben, sollten alle folgenden Kriterien erfüllt sein:

1. Jeder Seitenbereich ist als digital, reines Bild oder vorhandenes OCR klassifiziert.
2. Für fehlerhafte bestehende Textebenen gibt es einen dokumentierten Ersatzpfad.
3. Namen, Zahlen, Kennungen und unbekannte Begriffe bestehen den Quellvergleich auf den Stichprobenseiten.
4. Die Absatz- und Spaltenreihenfolge ist in der extrahierten Quelle lesbar.
5. Tabellen, Abbildungen, Fußnoten und Formeln sind entweder überprüft oder explizit als separate Elemente erfasst.
6. Die Original-PDF bleibt für den Abgleich nach der Übersetzung verfügbar.

Nutzen Sie den separaten Leitfaden zur Copy-Paste-Fehlerdiagnose , wenn eine textbasierte PDF bereits fehlschlägt. Nutzen Sie den Workflow für gescannte PDFs , wenn Seiten reine Bilder sind, und den Leitfaden für mehrsprachige OCR , wenn die Sprachauswahl Teil des Problems ist.

Die verifizierte Quelle übersetzen und anschließend die Ausgabe prüfen

Wenn das eigentliche Ziel darin besteht, ein vollständiges Dokument in einer anderen Sprache zu lesen, laden Sie die verifizierte PDF bei PDF Translatorhoch. Bei gescannten oder bildlastigen Seiten extrahiert der OCR-Modus von BookTranslator erkennbare Inhalte und erstellt eine sauber übersetzte PDF; er garantiert jedoch weder das exakte Beibehalten des ursprünglichen Seitenlayouts, der Schriftarten oder Schriftgrößen noch das Reparieren jeder bestehenden verborgenen Textebene.

Behalten Sie Ihre Seitenübersicht und die Originaldatei. Wiederholen Sie nach der Übersetzung die risikoreichen Prüfungen im Zieltext: Namen, Mengenangaben, Kennungen, Seitenabdeckung, Absatzreihenfolge und alle Strukturen, auf die Sie angewiesen sind. Die QA-Checkliste für die PDF-Übersetzung deckt diese finale Abnahmeprüfung ab.

Die Grundregel ist einfach: Extrahieren Sie, was bereits verlässlich ist, wenden Sie OCR nur dort an, wo eine Erkennung zwingend nötig ist, und ersetzen Sie eine Textebene erst dann, wenn Sie nachgewiesen haben, dass sie fehlerhaft ist.