Ein gescanntes PDF ist ein Foto eines Dokuments. Es sieht aus wie Text, enthält aber keine tatsächlichen Textdaten – nur eine Pixelmatrix. Die Suche funktioniert nicht. Kopieren und Einfügen schlägt fehl. PDF-Reader können es nicht indizieren. Tools zur Textextraktion liefern keine Ergebnisse. Die Lösung ist die optische Zeichenerkennung (OCR): ein Verfahren, das das Pixelmuster jeder Seite liest, Zeichen identifiziert und den Text rekonstruiert. LuraPDF integriert Tesseract – die weltweit am häufigsten verwendete Open-Source-OCR-Engine, die von Google weiterentwickelt wird – als WebAssembly-Binärdatei, die direkt in Ihrem Browser-Tab ausgeführt wird. Die Engine wird einmal heruntergeladen und verarbeitet Ihr Dokument dann vollständig auf Ihrem Gerät. Kein Datei-Upload, kein Server-API-Aufruf, keine Remote-Verarbeitung. Ihre gescannte Steuererklärung, Ihr unterschriebener Vertrag, Ihre Patientenakte oder Ihr historisches Dokument verlässt Ihr Gerät nie.
Datenschutz ist der entscheidende Grund, browserbasierte OCR gegenüber serverbasierten Alternativen zu bevorzugen. Gescannte Dokumente sind überproportional sensibel: Steuererklärungen, Krankenakten, Gerichtsdokumente, Kontoauszüge und Ausweisdokumente werden eingescannt. Das Hochladen dieser Dokumente auf eine Cloud-OCR-API – selbst mit Datenschutzerklärung – bedeutet, dass die Datei über das Internet übertragen, auf einem Server gespeichert, verarbeitet und temporär auf eine Weise abgelegt wird, die außerhalb Ihrer Kontrolle liegt. Die Architektur von LuraPDF eliminiert dieses Risiko strukturell. Die Tesseract WASM-Binärdatei läuft in einem isolierten Web Worker innerhalb Ihres Browsers. Die einzigen Daten, die übertragen werden, sind die per OCR erfassten Textebenen, die lokal in ein PDF geschrieben werden. Das Ergebnis ist ein durchsuchbares PDF, in dem das Originalbild der Seite exakt erhalten bleibt und darunter eine unsichtbare Textebene hinzugefügt wird, die perfekt an den von Tesseract identifizierten Zeichenpositionen ausgerichtet ist.
In allen Branchen fallen gescannte PDFs an. OCR macht sie zugänglich. Hier sind die Arbeitsabläufe, bei denen lokale, private OCR die einzig akzeptable Lösung ist.
Ausgefertigte Verträge, Urkunden und Gerichtsdokumente werden häufig eingescannt und als Bild-PDFs archiviert. Durch lokale OCR-Texterkennung können alle Klauseln im Dokumentenmanagementsystem durchsuchbar gemacht werden, ohne vertrauliche Rechtsdokumente in einen Cloud-Dienst hochladen zu müssen.
Bibliotheken, Archive und Genealogen scannen historische Zeitungen, Briefe, Geschäftsbücher und Manuskripte. Tesseract unterstützt historische lateinische Schriftarten und nicht standardisierte Zeichensätze. Nutzen Sie die Texterkennung (OCR), um jahrhundertealte Dokumente durchsuchbar zu machen, ohne die empfindlichen historischen Materialien an einen externen Server übertragen zu müssen.
Akademische Arbeiten aus der Zeit vor der Digitalisierung, Konferenzbeiträge und Zeitschriftenscans sind standardmäßig nicht durchsuchbar. Durch OCR-Texturierung können Sie die Suche (Strg+F), Annotationen, Zitatextraktion und die Integration in Literaturverwaltungsprogramme ermöglichen.
Gescannte Spesenbelege und Rechnungen enthalten Beträge, Daten und Lieferantennamen, die in den Bildpixeln gespeichert sind. Die OCR-Texterkennung wandelt diese in durchsuchbaren, auswählbaren Text um – so können die Daten in Buchhaltungssoftware kopiert oder weiterverarbeitet werden.
Ältere Patientenakten, Überweisungsschreiben und klinische Formulare werden als Scans übermittelt. Geschützte Gesundheitsdaten sind zu sensibel, um sie in eine Cloud-OCR-API hochzuladen. Um die Datensätze durchsuchbar zu machen und gleichzeitig die geschützten Gesundheitsdaten auf dem Praxisgerät zu belassen, wird die OCR lokal ausgeführt.
Dokumentenanalyse-Pipelines, die Entitäten extrahieren, Inhalte klassifizieren oder PDF-Dokumente zusammenfassen, benötigen eine Textebene. OCR-gescannte PDFs werden lokal mit Tesseract WASM verarbeitet, um durchsuchbare PDFs oder Rohdatendateien zu generieren, die NLP-Modelle speisen, ohne die Dokumentdaten externen APIs zugänglich zu machen.
Tesseract WASM im Browser kombiniert OCR-Genauigkeit auf Forschungsniveau mit der Datenschutzgarantie lokaler Verarbeitung. Das sind die Ergebnisse dieser Kombination.
Beim Hochladen eines gescannten PDFs rendert pdf.js jede Seite in ein HTML-Canvas mit einer Zielauflösung von 200 DPI (konfigurierbar auf 300 DPI im Genauigkeitsmodus). Die Bilddaten des Canvas werden über einen SharedArrayBuffer an einen Tesseract.js Web Worker übertragen, der die ausgewählten LSTM-Sprachmodelle ausführt. Tesseract analysiert das Layout, um die Seite in Textbereiche zu segmentieren, und wendet anschließend das LSTM-Neuronale Netzwerk auf jeden Bereich an, um Zeichenfolgen zu erkennen. Die Ausgabe ist eine Liste von Wörtern mit ihren erkannten Unicode-Zeichenfolgen und den zugehörigen Begrenzungsrahmen-Koordinaten – der Pixelposition auf der Seite, an der jedes Wort erscheint.
Sobald Tesseract die Verarbeitung einer Seite abgeschlossen hat, verwendet pdf-lib den erkannten Text und die Begrenzungsrahmen, um eine unsichtbare Textebene auf der entsprechenden PDF-Seite zu zeichnen. Jedes Wort wird mithilfe von `page.drawText()` an seinen erkannten Koordinaten platziert. Die Schriftgröße wird anhand der Höhe des Begrenzungsrahmens berechnet, und die Textfarbe ist `rgb(0, 0, 0)` mit einer Deckkraft von null – visuell unsichtbar, aber im Textinhalt der PDF-Datei vorhanden. Moderne PDF-Viewer verwenden diesen Textinhalt für Such-, Auswahl- und Kopie . Das Ergebnis ist eine PDF-Datei, die exakt wie der Originalscan aussieht, aber auf Strg+F reagiert, Textauswahl unterstützt und von Dokumentenmanagementsystemen und Suchmaschinen indexiert werden kann.
| Besonderheit | LuraPDF | Serverbasierte OCR (ilovepdf, Smallpdf) | Adobe Acrobat |
|---|---|---|---|
| Datenschutz | Nur im Browser – Datei wurde nie hochgeladen | Gescanntes Dokument auf Remote-Server hochgeladen | Lokal, aber ein Abonnement ist erforderlich ($$$). |
| Sprachunterstützung | Über 100 Sprachen via Tesseract WASM | Variiert – typischerweise weniger Sprachen | Acrobat: viele, aber eingeschränkte Mehrsprachigkeit |
| Kosten | Kostenlos und dauerhaft, keine Seitenbegrenzung | Freemium – Seitenlimit oder Bezahlschranke | $$$ Acrobat-Abonnement |
| Anmeldung erforderlich | Keine – Seite öffnen und OCR ausführen | Für mehrseitige Dokumente ist ein Konto erforderlich. | Adobe ID und Abonnement erforderlich |
Die Scanqualität ist der wichtigste Faktor für die Genauigkeit der Texterkennung. Diese Tipps helfen Ihnen, mit Tesseract WASM optimale Ergebnisse zu erzielen.
Wählen Sie die richtige Sprache aus – die Genauigkeit von Tesseract sinkt deutlich, wenn das falsche Sprachmodell verwendet wird. Wenn Sie sich nicht sicher sind, wählen Sie mehrere wahrscheinliche Sprachen aus; Tesseract wählt dann die passende aus.
Eine höhere Scanauflösung führt zu einer besseren OCR – 300-DPI-Scans erzielen eine deutlich höhere Genauigkeit als 150 DPI oder weniger, insbesondere bei Texten mit kleiner Schriftart und nicht-lateinischen Schriften.
Vor der OCR zuschneiden und drehen – Verwenden Sie die LuraPDF-Werkzeuge „PDF zuschneiden“ und „PDF drehen“, um Seiten auszurichten und Ränder zu entfernen, bevor Sie die OCR ausführen. Schiefe oder auf dem Kopf stehende Seiten beeinträchtigen die Erkennungsqualität.
Für umfangreiche, mehrseitige Dokumente auf Mobilgeräten empfiehlt sich ein Desktop-Browser – Tesseract WASM ist rechenintensiv und mobile Geräte sind langsamer. Chrome oder Firefox auf Tablets oder Desktop-Computern bieten die beste Performance.
Nach der OCR-Texterkennung kann der vollständig erkannte Text mithilfe von PDF to Text als Klartextdatei extrahiert und anschließend in ein Textverarbeitungsprogramm, ein Übersetzungstool oder eine Datenpipeline eingefügt werden.
Bei mehrsprachigen Dokumenten mit unterschiedlichen Schriftsystemen – beispielsweise einem Rechtsvertrag mit englischen und arabischen Abschnitten oder einem Dokument mit englischem Text und chinesischen Ziffern – sollten Sie vor der OCR-Verarbeitung alle relevanten Sprachen auswählen, anstatt die Abschnitte separat zu verarbeiten.
Ziehen Sie Ihre gescannte PDF-Datei in den Upload-Bereich oben, wählen Sie die Dokumentsprache aus und lassen Sie Tesseract WASM jede Seite durchsuchbar machen – direkt in Ihrem Browser. Kein Upload, kein Server, kein Konto, kein Wasserzeichen, keine Seitenbegrenzung. Ihre gescannten Steuerdokumente, Gerichtsakten, Krankenakten und Archivmaterialien bleiben auf Ihrem Gerät, vom Moment der Auswahl bis zum Speichern der durchsuchbaren PDF-Datei in Ihrem Download-Ordner. Nach der OCR-Texterkennung können Sie den Volltext mit „PDF zu Text“ extrahieren, Scans mit den Werkzeugen „PDF zuschneiden“ und „PDF drehen“ zuschneiden und drehen oder die neu durchsuchbaren Seiten mit dem Werkzeug „PDF annotieren“ versehen.