Screenshot-Datenextraktion
Was funktioniert, was nicht

Warum Kompression Text auf Zeichenebene zerstört

Der Grund, warum ein 200KB-JPEG-Screenshot schlechtere Extraktionsergebnisse liefert als ein 1,2MB-PNG mit demselben Inhalt, hat nichts mit der Dateigröße zu tun — es geht darum, welche Informationen den Kompressionsprozess überleben.

Die JPEG-Kompression, definiert durch den ISO/IEC 10918-Standard, funktioniert, indem sie ein Bild in 8×8-Pixel-Blöcke aufteilt, eine diskrete Kosinustransformation (DCT) anwendet, um jeden Block in Frequenzkoeffizienten umzuwandeln, und diese Koeffizienten dann quantisiert — also auf weniger mögliche Werte rundet. Je höher die Kompression, desto aggressiver das Runden. Die verworfenen Frequenzen werden gewählt, weil das menschliche visuelle System in natürlichen Fotografien weniger empfindlich auf sie reagiert. Aber Text ist keine natürliche Fotografie. Zeichen sind kontrastreiche Kanten mit hoher Frequenz, und genau beim Quantisierungsschritt von JPEG verlieren diese Kanten an Schärfe.

Drei spezifische Artefakte sind für die Textextraktion relevant:

• Blockartefakte — Da jeder 8×8-Block unabhängig verarbeitet wird, können benachbarte Blöcke an ihren Grenzen deutlich unterschiedliche Durchschnittswerte aufweisen. Wenn ein Zeichen eine Blockgrenze überspannt, können die Segmente auf beiden Seiten nicht mehr verbunden sein. Ein kleines „l", das über zwei Blöcke verteilt ist, kann zu zwei getrennten Markierungen werden, oder ein „B" kann seinen linken vertikalen Strich vollständig verlieren.
• Halos / Ringbildung — Um scharfe Kanten wie Zeichenkonturen erzeugt die DCT-Näherung Schwingungen — schwache, geisterhafte Pixelringe in der falschen Farbe. Um ein „E" herum können diese Halos die Lücke zwischen dem vertikalen Strich und dem oberen horizontalen Balken füllen und es in der Extraktionsausgabe in ein „F" verwandeln. Bei niedrigeren Qualitätseinstellungen eskaliert das Risiko: E → F → C → Fehllesung.
• Chromarauschen — JPEG wendet typischerweise eine stärkere Kompression auf Farbkanäle an als auf die Luminanz. Farbiger Text auf farbigem Hintergrund (denken Sie an Dark-Mode-UI mit blauen Beschriftungen) sammelt Farbrauschen um Zeichenkanten an, das die Erkennung zusätzlich verwirrt.

PNG verwendet dagegen den in ISO/IEC 15948:2004 definierten Deflate-Kompressionsalgorithmus — eine verlustfreie Methode, die jedes Pixel exakt so erhält, wie es aufgenommen wurde. Keine Blockgrenzen, keine Halos, keine Chroma-Subsampling-Artefakte.

Für einen tieferen Einblick, wie sich diese Qualitätsprobleme bei verschiedenen Extraktionsversuchen äußern, lesen Sie unseren Leitfaden zu häufigen Screenshot-Extraktionsfehlern — den Schwesterartikel zu diesem, der die Fehlermuster katalogisiert.

Drei Dinge, die Sie vor der Aufnahme steuern können

Die Verbesserung der Screenshot-Extraktionsgenauigkeit beginnt, bevor Sie die Aufnahme-Tastenkombination drücken — und die drei wirkungsvollsten Anpassungen erfordern keinerlei technisches Wissen.

1. Format: Immer PNG

Öffnen Sie unter Windows das Snipping Tool, gehen Sie zu den Einstellungen und stellen Sie „Ausschnitte speichern als" auf PNG um. Führen Sie unter macOS defaults write com.apple.screencapture type png im Terminal aus. Unter iOS und Android sind Screenshots standardmäßig im PNG-Format — ändern Sie dies nicht. Die Datei wird größer sein als ein JPEG, aber jedes Byte bewahrt Kantendaten der Zeichen, auf die eine Extraktions-Engine angewiesen ist.

Die Standard-Bildschirmauflösung liegt bei etwa 72–96 DPI, weit unter dem für Dokumenten-OCR typischerweise empfohlenen Minimum von 300 DPI. Sie können die Pixeldichte Ihres Bildschirms nicht ändern. Aber Sie können steuern, welche Pixel relevant sind.

2. Skalierung: Vor der Aufnahme hineinzoomen

Wenn Text mehr Bildschirmpixel einnimmt, hat jedes Zeichen mehr Pixeldaten, mit denen die Extraktions-Engine arbeiten kann. Zoomen Sie Ihren Browser oder Ihre App auf 150 %, bevor Sie eine Tabelle aufnehmen. Vergrößern Sie einen Kontoauszug-Screenshot, sodass einzelne Zahlen scharfe Kanten haben statt 2–3 unscharfer Pixel über einen Strich. Dieser einzelne Schritt führt oft zu einer größeren Genauigkeitsverbesserung als der Wechsel des Extraktionstools.

Ein mit 300 DPI gescanntes Dokument liefert der OCR-Engine etwa 300 Abtastpunkte pro linearem Zoll. Ein Screenshot mit 96 DPI und Text in Standard-Zoom liefert etwa ein Drittel davon. Durch Hineinzoomen werden mehr der verfügbaren Bildschirmpixel auf den tatsächlich benötigten Text gelenkt, wodurch der Nachteil verringert wird.

3. Zuschneiden: Rauschen entfernen

Ein Screenshot eines gesamten ERP-Dashboards, das eine benötigte Datentabelle enthält, sendet etwa 80 % Rauschen an die Extraktions-Engine — Navigationsleisten, Filter-Dropdowns, Benachrichtigungs-Badges, Werbebanner, Statusanzeigen. Jedes UI-Element ist ein potenzieller Fehlalarm: Ein mit „Senden" beschrifteter Button könnte als Datenfeld gelesen werden, ein Symbol könnte als einzelnes Zeichen interpretiert werden.

Schneiden Sie vor dem Hochladen auf den Datenbereich zu. Wenn Ihr Extraktionstool selektive Feldextraktion unterstützt, ist dieser Schritt weniger kritisch — er reduziert jedoch weiterhin die Verarbeitungszeit und eliminiert das Risiko, dass die Engine falsche Übereinstimmungen in nicht zusammenhängendem UI-Text findet. Bei Screenshots mit niedriger Auflösung ist jedes entfernte Rauschpixel ein Pixel weniger Verwirrung, das Sie verhindern.

Wenn der Screenshot bereits existiert — pragmatische Wiederherstellung

Das häufigste Szenario in der Praxis ist auch dasjenige, das die meisten Anleitungen komplett überspringen: Der Screenshot ist bereits in degradierter Qualität angekommen, und die Quellseite, App oder Konversation ist nicht mehr verfügbar.

Ein Screenshot, der über WhatsApp, WeChat oder Slack weitergeleitet wurde, hat bereits eine Runde aggressiver Komprimierung durchlaufen. Ein Screenshot, der in den Text einer E-Mail eingebettet ist, wurde möglicherweise vom E-Mail-Client neu kodiert. Ein Screenshot, der von einer freigegebenen Festplatte heruntergeladen wurde, wurde vom ursprünglichen Absender möglicherweise als JPEG gespeichert. In jedem Fall sind die ursprünglichen Pixeldaten verloren.

Nicht erneut speichern. Der häufigste Fehler in dieser Phase ist, den Screenshot zu öffnen, schnell zuzuschneiden und erneut zu speichern — als JPEG. Jedes erneute JPEG-Speichern fügt einen neuen Satz von 8×8-Block-Artefakten zu den bereits vorhandenen hinzu, und die Blockraster aufeinanderfolgender Speichervorgänge können nicht übereinstimmen (ein Ein-Pixel-Zuschnitt verschiebt das gesamte Raster). Nach 5–10 Speicherzyklen bei Qualität 80 ist die Verschlechterung spürbar. Nach 20–30 Zyklen sieht das Bild aus, „als wäre es durch Milchglas fotografiert worden", wie in der Forschung zu Komprimierungsartefakten dokumentiert. Wenn Sie bearbeiten müssen, speichern Sie als PNG.

Wenn der Screenshot aus einer Messaging-App stammt und der Absender noch Zugriff auf das Original hat: Bitten Sie stattdessen um eine Dateifreigabe per E-Mail-Anhang oder Cloud-Speicherlink. Messaging-Apps wenden die aggressivste Komprimierung aller gängigen Pipelines an. Derselbe Inhalt, der über Google Drive oder OneDrive geteilt wird, kommt in der Regel mit intakter PNG-Fidelity an.

Wenn eine erneute Erfassung wirklich unmöglich ist und der Screenshot bereits degradiert ist, besteht der nächste strategische Schritt nicht darin, ihn durch eine OCR-Engine für ganze Seiten laufen zu lassen — sondern darin, zu ändern, wonach das Extraktionstool suchen soll.

Warum Teilextraktion bei Screenshots besser ist als OCR der gesamten Seite

Wenn ein Screenshot UI-Elemente, komprimierten Text und gemischte visuelle Elemente enthält, ist der Versuch, jedes Wort auf der Seite zu erkennen, eine verlorene Strategie. Sie brauchen nicht jedes Wort — Sie brauchen fünf bis zehn bestimmte Datenpunkte. Das verwendete Tool sollte dieser Realität entsprechen.

Im Gegensatz zu herkömmlichen OCR-Tools, die versuchen, jedes Zeichen auf einer Seite von links nach rechts zu erkennen, verwendet ImageToTable.ai die Spaltennamenextraktion: Sie geben die gewünschten Felder ein — „Rechnungsnummer", „Fälligkeitsdatum", „Gesamtbetrag" — und die KI durchsucht das Bild nach diesen spezifischen Werten, indem sie versteht, was sie bedeuten, statt jede Zeile Pixel für Pixel zu lesen. Die von Ihnen eingegebenen Spaltennamen werden zu den Kopfzeilen Ihrer Ausgabetabelle. Dies unterscheidet sich grundlegend von vorlagenbasierten Tools, die das Zeichnen von Begrenzungsrahmen um jedes Feld erfordern, oder von OCR-Engines, die alles in einen undifferenzierten Textblock ausgeben.

Hinter dieser Funktion steckt ein visuelles großes Modell (VLM) — eine KI, die darauf trainiert ist, den Inhalt und das Layout von Dokumentbildern so zu verstehen, wie es ein Mensch tun würde, indem sie Felder anhand ihrer semantischen Rolle erkennt, statt Pixelmuster mit Zeichenvorlagen abzugleichen. Wo herkömmliche OCR ein Pixelraster sieht und versucht, jedes Segment einem Zeichen zuzuordnen, sieht ein VLM ein Dokument: Es versteht, dass die Zahl neben „Rechnungsnr." eine Kennung ist, dass der Wert in der unteren rechten Ecke mit einem Währungssymbol wahrscheinlich die Summe ist und dass das Datum im Format TT/MM/JJJJ in die Datumsspalte gehört.

Warum das bei qualitativ schlechten Screenshots wichtig ist: Ein JPEG-Artefakt, das in einem Urheberrechtshinweis ein kleines „l" in eine „1" verwandelt, ist irrelevant, wenn Sie die Engine nie gebeten haben, den Urheberrechtshinweis zu extrahieren. Die Spaltennamenextraktion begrenzt die Fehlerfläche auf die Felder, die Sie interessieren. Die Engine muss nicht jedes Pixel auf der Seite korrekt auflösen — sie muss eine Handvoll semantisch bedeutsamer Werte im Rauschen lokalisieren. Ein lokales Kompressionsartefakt in der Nähe eines „Gesamt"-Feldes kann weiterhin überwindbar sein, wenn der umgebende Kontext (Position, Währungssymbol, rein numerisches Format) dem Modell genügend Signale liefert.

Das heißt, es gibt eine ehrliche Grenze: Wenn der Text in Ihrem Zielfeld wirklich unleserlich ist — unter etwa 6-Punkt-Äquivalent unscharf, durch mehrere Komprimierungsdurchgänge zerstört oder auf einem unruhigen Hintergrundmuster — kann kein semantisches Modell Daten rekonstruieren, die nicht vorhanden sind. In diesem Fall finden Sie die Wiederherstellungsschritte im vorherigen Abschnitt und behandeln Sie das Feld als manuellen Prüfpunkt. Genauigkeit bedeutet, zu maximieren, was das Tool leisten kann, nicht so zu tun, als hätte es keine Grenzen.

Eine vollständige Anleitung zur Einrichtung der selektiven Extraktion bestimmter Datenpunkte finden Sie in unserem Leitfaden zur Extraktion bestimmter Datenfelder aus Screenshots.

Was Genauigkeitszahlen tatsächlich bedeuten — realistische Erwartungen setzen

Ein Anbieter, der „99 % Genauigkeit“ bei gedrucktem Text behauptet, sagt Ihnen nichts darüber, was mit Ihrem spezifischen, per WhatsApp komprimierten Screenshot eines Banking-App-Dashboards passiert. Die Zahl, die zählt, ist die Feldgenauigkeit bei Ihren tatsächlichen Eingaben.

Der Industriestandard für die Angabe der OCR-Genauigkeit ist die Zeichenebene: Wie viel Prozent der einzelnen Zeichen wurden korrekt erkannt? Eine Zeichengenauigkeit von 99 % bedeutet einen Fehler pro 100 Zeichen. Das klingt beeindruckend, bis Ihnen klar wird, dass eine 10-stellige Rechnungsnummer mit einer falschen Ziffer auf Zeichenebene zu 90 % genau, als Datenpunkt aber zu 0 % brauchbar ist. Sie können eine Rechnung nicht einer falschen Nummer zuordnen. Die Feldgenauigkeit — wie viel Prozent der von Ihnen angeforderten Felder vollständig korrekt zurückkamen — ist die Kennzahl, die darüber entscheidet, ob ein Extraktionsworkflow tatsächlich nutzbar ist.

Bei sauberen, hochauflösenden PNG-Screenshots mit Standard-Schriftarten und gutem Kontrast kann die Extraktion mit modernen visuellen großen Modellen bei klar definierten Feldern wie Daten, Beträgen und Kennungen eine Feldgenauigkeit im Bereich von 95–99 % erreichen. Bei einem komprimierten JPEG-Screenshot einer dichten Tabelle mit kleinen Schriftarten und gemischten Hintergrundfarben wird die Feldgenauigkeit niedriger sein — und die verantwortungsvolle Antwort ist, manuelle Stichprobenkontrollen zu erwarten, anstatt eine vollständig automatisierte Durchleitung. Ein Prozess, der Ihnen 95 % korrekte Felder mit 5 % zur Überprüfung liefert, spart immer noch etwa das 20× an Zeit im Vergleich zur manuellen Übertragung von allem — das ist kein Fehlschlag.

Aus diesem Grund sind allgemeine KI-Chat-Tools auch das falsche Werkzeug für die Screenshot-Extraktion. ChatGPT und Claude können Text aus einem Screenshot lesen — ihre multimodalen Fähigkeiten sind real — aber sie sind für das Verständnis natürlicher Szenen und die Generierung von Konversationsantworten optimiert. Ihnen fehlt eine strukturierte Feldverifizierungsebene: Es gibt keinen Mechanismus, um zu validieren, dass ein erkannter Wert tatsächlich ein Datum ist, keine Möglichkeit, ein Ausgabeschema über 50 Screenshots in einem Batch durchzusetzen, und keine spaltenbasierte Zuordnung zu einem Tabellenformat. Für einen detaillierten Vergleich siehe warum ChatGPT und Claude nicht die beste Wahl für die Datenextraktion aus Screenshots sind.

Setzen Sie die Genauigkeitslatte auf „mit Überprüfung nutzbar“ statt „beim ersten Durchgang perfekt“. Der Screenshot, der in Ihrem WhatsApp ankommt, arbeitet bereits mit einem Qualitätsdefizit. Wie viel Sie wiederherstellen können, hängt vom Format, der Skalierung, dem Zuschnitt und davon ab, ob Sie das Tool bitten, jedes Wort zu lesen oder nur die fünf Felder, die Sie benötigen.

Häufig gestellte Fragen

Macht PNG bei der Screenshot-Extraktion wirklich so einen großen Unterschied gegenüber JPG?

Ja — und der Unterschied verstärkt sich bei Screenshots mit niedrigerer Auflösung. Ein JPG, das mit Qualität 80 gespeichert wurde, hat bereits etwa 10–15 % der ursprünglichen Pixeldaten verworfen. Bei einem 96-DPI-Screenshot von 10-Punkt-Text umfassen diese verworfenen Daten Kantendetails der Zeichen, die eine Extraktions-Engine benötigt, um „8“ von „B“ oder „5“ von „S“ zu unterscheiden. PNG bewahrt jedes Pixel dieser ohnehin begrenzten Auflösung. Der praktische Test ist einfach: Machen Sie denselben Screenshot zweimal, speichern Sie einen als JPG und einen als PNG, führen Sie beide durch die Extraktion und vergleichen Sie die Ergebnisse auf Feldebene.

Kann ich einen bereits komprimierten Screenshot vor der Extraktion verbessern?

Sie können verhindern, dass er schlechter wird, aber Sie können die Daten, die durch verlustbehaftete Komprimierung entfernt wurden, nicht wiederherstellen. Das Öffnen eines JPG-Screenshots und das Speichern als PNG stellt die verlorenen Pixelinformationen nicht wieder her — es verhindert nur eine weitere Verschlechterung durch spätere Bearbeitungen. Dasselbe gilt für KI-Upscaling-Tools: Sie können interpolierte Pixel hinzufügen, die das Bild für das menschliche Auge schärfer erscheinen lassen, aber sie erzeugen synthetische Daten und stellen keine ursprünglichen Zeichenformen wieder her. Wenn die Komprimierung ein Feld wirklich mehrdeutig gemacht hat, kann Upscaling die Zuversicht in die falsche Interpretation erhöhen.

Welche Auflösung benötigen Screenshots für eine zuverlässige Extraktion?

Screenshots haben im herkömmlichen Sinne keine DPI-Einstellung — sie erfassen, was gerade auf dem Bildschirm angezeigt wird. Die effektive Auflösung hängt von der Pixeldichte Ihres Bildschirms und davon ab, wie groß der Text auf dem Bildschirm erscheint. Ein 13-Zoll-Laptop mit 1920×1080 zeigt etwa 141 Pixel pro Zoll, aber der Text, den Sie sehen, wird vom Betriebssystem gerendert und nicht von einem physischen Dokument erfasst. Die praktische Regel lautet: Wenn Sie den Text auf Ihrem Bildschirm ohne Zusammenkneifen der Augen bequem lesen können und Sie bei nativer Zoomstufe oder höher als PNG erfassen, sollte die Extraktion machbar sein. Wenn Sie selbst auf 200 % zoomen müssen, um die Zahlen zu lesen, steht die Extraktions-Engine vor derselben Herausforderung.

Kann ein visuelles großes Modell Daten aus einem Screenshot extrahieren, den ein herkömmliches OCR-Tool nicht lesen kann?

Oft ja — aber nicht, weil ein VLM schärfere Pixel sieht. Es sieht dieselben Pixel, interpretiert sie jedoch anders. Eine herkömmliche OCR-Engine ordnet Pixelmustern mithilfe statistischer Modelle einzelne Zeichen zu. Ein VLM liest das Bild ganzheitlich: Es versteht, dass ein unscharfer Fleck neben einem Dollarzeichen wahrscheinlich ein Geldbetrag ist, dass eine Ziffernfolge, die durch Schrägstriche oder Bindestriche getrennt ist, wahrscheinlich ein Datum ist, und dass der Wert unter „Kontoname“ Text ist, selbst wenn einige Zeichen mehrdeutig sind. Dieser semantische Kontext ermöglicht es einem VLM, Lücken zu füllen, die eine zeichenweise arbeitende OCR-Engine als Fehler hinterlassen würde. Das Modell ist jedoch nicht hellseherisch — wenn der Zielwert durch Komprimierung oder Unschärfe vollständig unkenntlich gemacht wurde, ist die Ausgabe falsch. Der Vorteil liegt in der Bewältigung teilweiser Beeinträchtigungen, nicht in Wundern.

Wie viele Felder sollte ich aus einem Screenshot mit niedriger Qualität zu extrahieren versuchen?

Beginnen Sie mit fünf bis zehn Feldern, die für Ihren Arbeitsablauf wichtig sind. Wenn diese sauber zurückkommen, können Sie weitere hinzufügen. Wenn selbst fünf Felder inkonsistent sind, liegt die Screenshot-Qualität wahrscheinlich unterhalb der nutzbaren Schwelle, und Sie müssen die Quelle (Format, Skalierung oder Neuaufnahme) beheben, bevor Sie es erneut versuchen. Der Instinkt, „alles zu extrahieren und später zu sortieren“, ist bei beeinträchtigten Eingaben kontraproduktiv — er überflutet die Ausgabe mit Rauschen und macht die Überprüfung langsamer statt schneller.

Der Screenshot-Extraktions-Workflow, der funktioniert, sieht so aus: Erfassen Sie als PNG bei angenehmem Zoom, schneiden Sie auf den Datenbereich zu, geben Sie nur die benötigten Felder an, und rechnen Sie damit, Ergebnisse bei Eingaben mit niedrigerer Qualität stichprobenartig zu überprüfen, anstatt einen perfekten Durchlauf zu erwarten. Testen Sie es selbst. Nehmen Sie dieselbe Datentabelle sowohl als PNG als auch als JPG auf, führen Sie beide durch die Extraktion und vergleichen Sie den Unterschied. Versuchen Sie dann, 5 bestimmte Felder zu extrahieren, statt die gesamte Seite anzufordern. Der Unterschied zwischen diesen Ansätzen ist nicht marginal — es ist der Unterschied zwischen einem Workflow, auf den Sie sich verlassen können, und einem, bei dem Sie mehr Zeit mit Korrigieren verbringen, als Sie gespart haben.

Für eine Schritt-für-Schritt-Anleitung für Einsteiger zu Screenshot-zu-Excel-Workflows finden Sie in unserem Leitfaden zum Übertragen von Daten aus Screenshots in Excel ohne Tippen. Für branchenspezifische Extraktionsvorlagen besuchen Sie die Screenshot-zu-Excel-Tool-Seite.