Warum lässt sich ein gescanntes PDF nicht durchsuchen?
Der Scanner speichert die Seite als Bild aus Pixeln. Sucht eine Suchmaschine oder ein Dokumentenmanagementsystem in dieser Datei, findet es keine Textebene. OCR verarbeitet das Bild, erzeugt die Textebene und fügt sie der Datei hinzu.
Was das Ergebnis bestimmt: die Scanqualität
Die OCR-Qualität hängt stark von der Vorlage ab. Den größten Unterschied machen in der Praxis:
- Auflösung: 300 dpi gelten für Textdokumente als übliche Untergrenze
- Gerader Scan: Schräge Seiten senken die Erkennungsrate
- Kontrast: Blasse Kopien und farbige Hintergründe erschweren die Erkennung
- Handschrift: Wird deutlich weniger genau erkannt als gedruckter Text
Was ist nach der OCR möglich?
Mit der Textebene wird das Archiv wirklich nutzbar: Volltextsuche im Inhalt, Vergleiche zwischen Dokumenten, automatische Klassifizierungsvorschläge und KI-Antworten, die sich auch auf diese Dokumente stützen.
Bei mindfile
Hochgeladene bildbasierte Dokumente durchlaufen in der Verarbeitung die OCR; anschließend arbeiten Suche und KI auf diesem Inhalt. So lässt sich eine gescannte Akte aus den 1990er-Jahren ebenso befragen wie der Vertrag von gestern.
HÄUFIGE FRAGEN
Erkennt OCR jedes Dokument zu 100 % richtig?
Nein. Bei gedrucktem, sauber gescanntem Text ist die Genauigkeit sehr hoch; bei Handschrift, blassen Kopien und komplexen Tabellen steigt die Fehlerquote. Deshalb bleibt bei kritischen Dokumenten immer das Original die Referenz.
Verändert die OCR das Originaldokument?
Nein. OCR legt eine Textebene über das Bild; das Seitenbild und das Original bleiben unverändert erhalten.
