Suchbares PDF erstellen

Was macht ein PDF eigentlich durchsuchbar?

Eine PDF-Datei kann zwei sehr verschiedene Dinge enthalten, die auf dem Bildschirm gleich aussehen. Entweder stehen dort echte Zeichen mit Schriftart und Position, dann findet jede Suche sie sofort. Oder dort steht ein Foto der Seite, und dann sieht dein Rechner genau das, was er in einem Urlaubsbild sieht: Farbwerte. Ein Dokumentenscanner liefert immer den zweiten Fall.

Ein durchsuchbares PDF ist die Kombination aus beidem. Das Bild bleibt, wo es ist, und darüber liegt eine zweite Schicht mit den erkannten Wörtern, im Zeichenmodus „unsichtbar“. Der Betrachter zeichnet sie nicht, die Suche findet sie trotzdem. Deshalb kannst du in einem gut gemachten Scan eine Zeile markieren, obwohl sichtbar nur Pixel da sind.

Genau diese Schicht baut dieses Tool. Die Texterkennung findet die Wortkästchen, danach wird für jedes Kästchen ein Stück Text an exakt dieser Stelle in die Seite geschrieben, in der Breite passend gestaucht oder gedehnt. Ein Screenreader kann den Text vorlesen, und dein Dokumentenmanagement indexiert ihn.

Wie läuft die Erkennung im Browser ab?

In zwei Schritten, und der erste ist der wichtige. Ein spezialisiertes neuronales Netz sucht zuerst die Bereiche, in denen überhaupt Schrift steht. Erst danach liest ein zweites Netz jeden dieser Bereiche einzeln. Diese Reihenfolge klingt nach einem Detail, ist aber der Unterschied zwischen einem brauchbaren und einem unbrauchbaren Ergebnis: Eine Erkennung, die stumpf über das ganze Bild läuft, findet Textzeilen in Stempeln, Falzkanten und Kaffeeflecken und schreibt Zeichensalat in den Textlayer.

Beide Netze laufen als WebAssembly im selben Tab wie diese Seite, wo verfügbar mit Unterstützung der Grafikkarte über WebGPU. Der einmalige Download liegt bei rund zwölf Megabyte und landet im Browser-Cache. Beim zweiten Dokument startet die Erkennung sofort, und ab dann funktioniert das Tool auch ohne Internetverbindung.

Warum wird die Datei bei anderen Werkzeugen so groß?

Weil die meisten nicht nur Text hinzufügen. Sie dekodieren jedes Seitenbild, verarbeiten es und kodieren es danach neu, oft mit anderen Einstellungen als das Original. Ein Scan, der als hochkomprimiertes Schwarzweißbild vorlag, kommt als allgemeines Farbbild zurück. Das ist der Punkt, an dem aus hundertachtzig Megabyte drei Gigabyte werden, und der Nutzer sieht erst am Dateidatum, dass etwas passiert ist.

Wir öffnen die Seitenbilder gar nicht. Die Erkennung arbeitet auf einer temporären Rasterung, die nach der Seite verworfen wird, und in die Datei selbst gehen ausschließlich Textanweisungen. Der Zuwachs liegt damit im Bereich weniger Kilobyte je Seite. Weil das der Punkt ist, an dem andere scheitern, steht die Zahl bei uns im Ergebnis: Größe vorher, Größe nachher, Zuwachs in Prozent.

Was passiert mit Seiten, die schon Text haben?

Sie werden übersprungen, und der Bericht sagt dir, wie viele es waren. Das klingt nach einer Kleinigkeit und ist die häufigste stille Verschlechterung bei Werkzeugen, die stumpf jede Seite erkennen: Über den vorhandenen, korrekten Textlayer legt sich ein zweiter, geratener. Danach findet die Suche jedes Wort zweimal, das Markieren springt, und beim Kopieren kommt der Text doppelt heraus.

Die Prüfung läuft je Seite, nicht je Dokument. Ein Vertrag, bei dem nur die unterschriebene letzte Seite eingescannt wurde, bekommt also genau dort seinen Textlayer und sonst nirgends. Wer das nicht will, schaltet die Option ab.

Wie prüfe ich, ob der Textlayer richtig sitzt?

Über „Textlayer prüfen“. Nach dem Lauf legt das Tool die erkannten Wortkästchen als Rahmen über eine Vorschau der Seite. Liegen die Rahmen auf der Schrift, sitzt der Text richtig. Liegen sie daneben oder erkennbar zu hoch, ist etwas schiefgelaufen, und du siehst es, bevor du die Datei in dein Archiv legst.

Diese Prüfung fehlt bei praktisch allen Anbietern, obwohl der versetzte Textlayer ein bekannter Defekt ist. In Nutzerforen taucht er regelmäßig auf, meist mit derselben Beschreibung: Man markiert einen Satz und markiert tatsächlich die halbe Seite, weil die Reihenfolge der Kästchen nicht der Leserichtung folgt. Wer nichts anzeigt, hat nicht weniger Fehler, er zeigt sie nur nicht.

Wo hört das Tool bewusst auf?

Es bearbeitet keine Bilder. Kein Entzerren, kein Drehen, kein Entrauschen, kein Nachkomprimieren. Wer einen schiefen Scan gerade haben will, nimmt ein Bildwerkzeug davor. Der Vorteil dieser Enthaltsamkeit ist derselbe wie oben: Was nicht neu kodiert wird, kann auch nicht aufgeblasen werden.

Es baut außerdem kein Layout nach. Der Textlayer folgt den erkannten Kästchen, er erkennt keine Absätze, Spalten oder Tabellen. Wer strukturierten Text braucht, nimmt PDF zu Markdown. Handschrift wird nicht erkannt, das Modell ist auf Drucksatz trainiert. Und ein PDF/A entsteht hier nicht, siehe FAQ.

Welche verwandten Tools gibt es?

• PDF zu Markdown: wenn du nicht die Seite, sondern die Struktur brauchst, mit Überschriften, Listen und Tabellen.
• Bild zu Text: für ein einzelnes Foto oder einen Screenshot, wenn nur der Text herauskommen soll und keine PDF.
• PDF komprimieren: verlustfreie Optimierung der Struktur, wenn eine Datei nach vielen Bearbeitungsschritten unnötig groß ist.