Was ist ein durchsuchbares PDF?

Durchsuchbar vs. gescannt vs. nativ: Der Unterschied, der zählt

Ein durchsuchbares PDF ist kein natives PDF und auch kein einfacher Scan — es ist ein Scan mit einer verborgenen Textebene darunter. Dieser eine mechanische Unterschied entscheidet darüber, was Sie mit der Datei tun können: ob Ctrl+F etwas findet, ob Sie einen Satz in eine E-Mail kopieren können und ob Archivsysteme den Datensatz überhaupt indexieren können. Die drei PDF-Typen liegen auf einem Spektrum:

Taxonomie gemäß ABBYYs PDF-Typen (nur Bild / durchsuchbar / digital erstellt) und dem PowerPDF-Glossar (Kofax-Linie), das ein durchsuchbares PDF als „eine PDF-Variante, die ein Bitmap-Bild eines Dokuments mit als verborgenem Text gespeichertem Textinhalt enthält" definiert. Die Spalte „Bearbeitbarkeit" fasst die OCR-Ausgabemodi von Adobe Acrobat zusammen, die im evermap-Acrobat-Tutorial beschrieben sind.

Ein durchsuchbares PDF ist eine gescannte oder fotografierte Seite mit unsichtbarem, OCR-generiertem Text, der unter dem Seitenbild gespeichert ist — sodass ein Benutzer die Wörter auswählen, kopieren und suchen kann, obwohl die sichtbare Seite weiterhin ein Scan ist.

So funktioniert ein durchsuchbares PDF

Durchsuchbare PDFs werden durch optische Zeichenerkennung (OCR) erzeugt — die Technologie, die Zeichen aus einem Bild ausliest und in maschinenlesbaren Text umwandelt. Die OCR-Engine analysiert die gescannte Seite, erkennt die Formen der Zeichen und erzeugt drei Dinge: den erkannten Text, die Position jedes Wortes auf der Seite und ein PDF, das beides kombiniert. Die Operation „Text erkennen" von Adobe Acrobat beschreibt das Ergebnis präzise: Sie „erzeugt eine unsichtbare Textebene, die durchsucht oder kopiert werden kann", die „hinter dem Seitenbild hinzugefügt wird, sodass sich das visuelle Erscheinungsbild der Seiten nicht ändert" (evermap, Adobe-Acrobat-Tutorial).

Die unsichtbare Ebene wird im PDF selbst mit einem Standardmechanismus implementiert: Der Text wird auf der Seite mit dem „Textdarstellungsmodus 3" von PDF gezeichnet, der einen Viewer anweist, die Zeichen zu platzieren, aber nichts Sichtbares zu rendern. Das technische Kochbuch von PDFlib demonstriert genau das — das Platzieren des OCR-Ergebnisses unsichtbar „über dem Bild" an expliziten x/y-Koordinaten, sodass der Suchtext mit dem darunterliegenden Scan übereinstimmt (PDFlib-Kochbuch). Open-Source-Tools verwenden denselben Trick: OCRmyPDF „rendert eine reine Textebene und legt sie auf die Originalseite", wobei der Scan unangetastet bleibt, während der unsichtbare Text den durchsuchbaren Inhalt trägt (OCRmyPDF-Dokumentation). Da der Text an passenden Zeichenkoordinaten sitzt, kann ein PDF-Viewer ein Wort, das den verborgenen Text umfasst, genau dort hervorheben, wo es im Scan erscheint.

Das Ergebnis ist ein Dokument mit zwei Ebenen: was Ihr Auge sieht (der Scan) und was Ihre Tastatur erreichen kann (der unsichtbare Maschinentext). Das Auswählen eines Wortes wählt die Zeichen der verborgenen Ebene; das Kopieren liefert die Lesart der OCR-Engine von der Seite, nicht unbedingt die Pixel der Seite — und genau an dieser Unterscheidung beginnen die Fragen zur Genauigkeit.

Wenn durchsuchbare und nicht durchsuchbare PDFs aufeinandertreffen

Der Gegensatz wird spätestens dann praktisch relevant, wenn ein gescanntes Archiv, eine juristische Produktion oder ein Buchdigitalisierungsprojekt danach beurteilt wird, ob es durchsuchbar ist. Das U.S. National Archives beschreibt diesen Konflikt in seinen Übertragungsanforderungen: NARA akzeptiert PDF-Dokumente, deren OCR-Suchtext den Zugang zu den Unterlagen verbessert, aber nur, wenn der OCR-Prozess den sichtbaren Inhalt nicht verändert oder das ursprüngliche Bitmap-Bild nicht beeinträchtigt hat – es lehnt OCR-Ausgaben ab, die generierten Text für den Scan einsetzen (Begriffe wie „Searchable Image – Compact", „Formatted Text & Graphics" oder „PDF Normal" sind verboten; „Searchable Image – Exact" wird als Beispiel für eine akzeptable Ausgabe beschrieben) (NARA, Übertragungsanweisungen für PDF-Dokumente; NARA, Übertragungs-Leitfadentabellen). Mit anderen Worten: Ein durchsuchbares PDF, das den Scan, den es bewahren soll, beschädigt, ist für Archive schlechter als ein reines Bild-PDF.

In der Rechtspraxis spielt sich derselbe Konflikt als Streit um das Produktionsformat ab. Leitfäden zur E-Discovery weisen darauf hin, dass Parteien „gegebenenfalls verlangen können, dass die von ihrem Gegner produzierten ESI durchsuchbar sind, entweder als Volltext oder in Bezug auf bestimmte Kategorien wie Datum, Autor oder Empfänger", und beschreiben den Fehlerfall drastisch: „Stellen Sie sich vor, Sie erhalten das elektronische Äquivalent von einer Million Seiten Dokumente, nur um festzustellen, dass die Produktion nicht elektronisch durchsuchbar ist" (New York State Bar Association, Best Practices in E-Discovery (2013)). Hier ist die unsichtbare Textebene keine Verbesserung – sie ist der Unterschied zwischen einer prüfbaren Produktion und einem unbrauchbaren Stapel Bildern.

Warum durchsuchbare PDFs wichtig sind

Die Bedeutung wird am deutlichsten in Institutionen, die durchsuchen müssen, was sie besitzen. Der National Archives Catalog führt OCR über seine digitalisierten Aufzeichnungen aus — über 92 Millionen Seiten und wachsend, mit OCR-Suche für PDF- und Bildaufzeichnungen, die seit Juni 2019 hinzugefügt wurden — genau deshalb, weil Aufzeichnungen erst auffindbar sind, wenn ihr Text maschinenlesbar ist (NARA, New Search Feature: OCR (2019)). Die Buchdigitalisierung basiert auf derselben Prämisse: Internet Archive verarbeitet seine Bücher mit Tesseract OCR, wodurch „jede Seite textdurchsuchbar" wird, und seine OCR-Daten enthalten Wortkoordinaten, die speziell zum Erstellen durchsuchbarer PDFs verwendet werden (Internet Archive Digitization Services; Open Library OCR blog). Google Books, aufgebaut auf OCR-konvertiertem Volltext, ist dieselbe Idee im größten Maßstab (Wikipedia, Google Books).

Doch durchsuchbare PDFs sind nicht der Standardzustand gescannter Aufzeichnungen — sie sind der erzeugte Zustand. Die AIIM-Umfrage „Industry Watch" von 2015 ergab, dass nur 41 % der Organisationen OCR in irgendeiner Form nutzen, während 34 % nur flache Bilder scannen und 18 % für das Archiv scannen (AIIM, Paper-Free Progress (2015)). Diese Diskrepanz — riesige durchsuchbare Repositorien wie NARA und das Internet Archive im Vergleich zu den meisten gescannten Aufzeichnungen, die weiterhin als nicht durchsuchbare Bilder vorliegen — ist die Lücke, die der Begriff „durchsuchbares PDF" benennt. Ein Screenreader kann einen Scan nicht lesen, eine Suchmaschine kann einen Scan nicht indexieren, und ein Archiv kann eine Entdeckungsanfrage nicht aus einem Scan erfüllen; die unsichtbare Textebene ist der Mechanismus, der alle drei Probleme behebt (die Unterstützung der Textebene für Barrierefreiheit ist im Textebenen-Glossar dokumentiert).

Arten und Varianten durchsuchbarer PDFs

Unter dem Begriff „durchsuchbares PDF“ gibt es zwei getrennte Variationsachsen: wie die OCR-Ausgabe erzeugt wurde und welchem Archivstandard (falls vorhanden) die Datei entspricht.

Ausgabemodi und ihre Kompromisse laut evermaps Adobe-Acrobat-OCR-Tutorial; Relevanz für die Archivabnahme laut NARAs PDF-Übertragungsanweisungen.

Die Archivachse ist PDF/A — eine ISO-standardisierte (ISO 19005) Version von PDF, die für die langfristige Aufbewahrung entwickelt wurde und Funktionen (Schriftverknüpfung, Verschlüsselung, externe Abhängigkeiten) einschränkt, damit ein Dokument Jahrzehnte später identisch dargestellt werden kann (Wikipedia, PDF/A). Archive und Behörden kombinieren die beiden Konzepte häufig: den Original-Scan behalten, OCR anwenden, um die unsichtbare Textebene hinzuzufügen, und das Ergebnis als PDF/A speichern, sodass die Datei sowohl durchsuchbar als auch archivierbar ist. Die durchsuchbare Ebene und die PDF/A-Konformität sind additiv — PDF/A allein macht einen Scan nicht durchsuchbar, und ein durchsuchbares PDF ist nicht unbedingt PDF/A-konform.

Wo durchsuchbare PDFs verwendet werden

Das Scannen gibt es seit Jahrzehnten; die durchsuchbare Ebene ist es, die ein gescanntes Archiv in ein nutzbares verwandelt. Die wichtigsten Anwendungsbereiche:

• Regierungsarchive und Schriftgutverwaltung: Bundesunterlagen, die an NARA übergeben werden, werden mit eingebettetem durchsuchbarem OCR-Text akzeptiert, vorbehaltlich der oben genannten Fidelity-Regeln — und NARA selbst OCRt Katalogunterlagen, um seine 92M+ Seiten durchsuchbar zu machen (NARA; NARA Catalog OCR).
• Juristische Beweisaufnahme und behördliche Produktion: Prozessparteien und Behörden produzieren gescannte Unterlagen als durchsuchbare PDFs (oder TIFF-Bildsätze mit begleitendem Text), damit Prüfplattformen die gesamte Produktion indexieren und per Stichwortsuche durchsuchen können (NYSBA e-Discovery Guide).
• Bibliotheks- und Buchdigitalisierung: Internet Archive (Tesseract-basiert, tausende Bücher täglich) und Google Books verlassen sich auf OCR-Text, um gescannte Bücher vollständig durchsuchbar zu machen (Internet Archive; Wikipedia).
• Unternehmensinhalte und Aufbewahrung von Unterlagen: Gescannte Rechnungen, Verträge und Formulare erhalten OCR-Textschichten, damit Schriftgutverwalter, Prüfer und nachgelagerte Automatisierung sie finden und verarbeiten können — die Schicht ist das, was eine „digital mailroom" oder Dokumentenmanagement-Suche indexiert (AIIMs Branchenumfragen behandeln OCR-Nutzung, nicht nur das Scannen, als Marker für nutzbare Digitalisierung) (AIIM 2015).
• Barrierefreiheit: Screenreader und Text-to-Speech-Tools können ein gescanntes PDF nur lesen, wenn eine OCR-Textschicht die Wörter bereitstellt — dieselbe unsichtbare Schicht, die jedes durchsuchbare PDF trägt (docsie, Text Layer).

Häufige Missverständnisse

• Missverständnis: „Ein gescanntes PDF ist automatisch durchsuchbar."
• Realität: Ein Scan besteht aus Pixeln; ohne OCR findet Ctrl+F nichts und Sie können kein einzelnes Wort auswählen. Durchsuchbarkeit entsteht erst mit der OCR-Textschicht — deshalb ist „durchsuchbar" eine erzeugte Eigenschaft von Scans, keine intrinsische (ABBYYs Drei-Typen-Taxonomie, ABBYY).
• Missverständnis: „Wenn ich den Text auswählen kann, ist das PDF bearbeitbar / hat echten Text."
• Realität: Das Auswählen von Text in einem durchsuchbaren PDF wählt die unsichtbare OCR-Schicht aus — die sichtbare Seite ist weiterhin ein Scan. Sie können suchen und kopieren, aber die Wörter nicht direkt bearbeiten wie in einem nativen PDF. Acrobats „Editable Text & Images"-Ausgabe ist ein separater Modus, der den Scan durch synthetischen Text ersetzt, auf Kosten des Originalbilds (evermap). Was Sie kopieren, ist zudem die Vermutung der OCR-Engine, nicht die gedruckten Zeichen — sie können voneinander abweichen.
• Missverständnis: „Die Textschicht ist eine perfekte Kopie dessen, was auf der Seite steht."
• Realität: Die Schicht enthält, was die OCR-Engine erkannt hat, und die Erkennung weist Fehler bei qualitativ schlechten Scans, ungewöhnlichen Schriftarten, Handschrift und komplexen Layouts auf — die Qualität der Textschicht variiert von Seite zu Seite (Hypothesis, How to OCR PDFs). Mehrspaltige Seiten sind ein dokumentierter Fehlermodus: Extraktoren, die eine Seite von links nach rechts abflachen, verschränken benachbarte Spalten und erzeugen inkohärenten Text in der Schicht (LlamaIndex, Reading Order Detection). „Durchsuchbar" sagt nichts über die Korrektheit aus.
• Missverständnis: „Durchsuchbares PDF und natives PDF sind dasselbe."
• Realität: Strukturell sind es unterschiedliche Artefakte: Ein durchsuchbares PDF ist ein Bild mit verborgenem Text; ein natives (born-digital) PDF besteht aus tatsächlich gerenderten Zeichen. Die Konsequenzen unterscheiden sich bei Bearbeitung, Extraktionstreue, Barrierefreiheit und Archivakzeptanz — und nur ein natives PDF ist direkt bearbeitbar (Drei-Typen-Taxonomie, ABBYY).
• Missverständnis: „Jedes OCR-bearbeitete PDF ist archivtauglich / PDF/A-konform."
• Realität: NARA akzeptiert nur OCR, die das Originalbild nicht verändert oder verschlechtert — verlustbehaftete „Searchable Image – Compact"- und Textersetzungsausgaben werden abgelehnt. PDF/A (ISO 19005) ist ein separater Konformitätsstandard für die Archivierung; ein Scan muss OCR-bearbeitet und konform sein, um sowohl durchsuchbar als auch archivierbar zu sein (NARA; Wikipedia, PDF/A).

Häufig gestellte Fragen

Was ist ein durchsuchbares PDF?

Ein durchsuchbares PDF ist eine gescannte oder fotografierte Seite mit unsichtbarem, per OCR erzeugtem Text unter dem Seitenbild, sodass Benutzer die Wörter auswählen, kopieren und durchsuchen können, auch wenn die sichtbare Seite weiterhin ein Scan ist. Es ist der mittlere Typ zwischen einem reinen Bild-Scan (nicht durchsuchbar) und einem nativen (born-digital) PDF und entsteht durch Anwendung von OCR auf ein reines Bild-PDF (ABBYY).

Wie erkenne ich, ob ein PDF durchsuchbar ist?

Drücken Sie Strg+F (Cmd+F auf dem Mac) und geben Sie ein Wort ein, das Sie auf der Seite sehen; wenn es hervorgehoben wird, ist das PDF durchsuchbar, wenn nichts passiert, benötigt es wahrscheinlich OCR. Ein schnellerer visueller Check: Versuchen Sie, eine Textzeile auszuwählen — wenn der Cursor die gesamte Seite als einen Block erfasst, gibt es noch keine Textebene. Dieselbe Ebene, die die Suche ermöglicht, ermöglicht auch die Auswahl einzelner Wörter, daher verhalten sich beide Tests identisch (Hypothesis, How to OCR PDFs).

Wie mache ich ein gescanntes PDF durchsuchbar?

Führen Sie OCR auf dem reinen Bild-PDF mit einem Tool aus, das eine Textebene hinzufügt, während das Originalbild erhalten bleibt — in Adobe Acrobat ist das "Text erkennen" mit dem Ausgabestil "Searchable Image"; Open-Source-Optionen wie Tesseract/OCRmyPDF machen dasselbe, indem sie unsichtbaren Text auf die Originalseite legen (evermap; OCRmyPDF). Für Unterlagen, die für Archive bestimmt sind, wählen Sie die erhaltende Ausgabe ("Searchable Image – Exact"), damit der Scan nicht verschlechtert wird.

Ist ein durchsuchbares PDF bearbeitbar?

Nein — durchsuchbar und auswählbar ist nicht dasselbe wie bearbeitbar. In einem durchsuchbaren PDF können Sie Text aus der verborgenen Ebene auswählen und kopieren, aber der sichtbare Inhalt ist weiterhin ein Bild, sodass Sie die Wörter nicht direkt bearbeiten können. Für freies Bearbeiten benötigen Sie die Ausgabe „Editable Text & Images" von Acrobat (die das Bild durch synthetischen Text ersetzt) oder ein natives PDF — auf Kosten der Originaltreue des Scans (evermap).

Was ist der Unterschied zwischen einem durchsuchbaren PDF und einem nativen PDF?

Ein durchsuchbares PDF ist ein Bild mit einer unsichtbaren Textebene; ein natives (born-digital) PDF ist von Anfang an digital erzeugter Text. Beide sind durchsuchbar, aber nur das native PDF unterstützt direkte Bearbeitung und direkte Textextraktion; die sichtbare Seite des durchsuchbaren PDFs kann nie bearbeitet werden, und seine unsichtbare Ebene kann OCR-Fehler enthalten (ABBYY).

Ist ein durchsuchbares PDF das richtige Format für Archivunterlagen?

Ja, wenn es korrekt erstellt wird — Archive verlangen, dass die Textebene hinzugefügt wird, ohne das Originalbild zu verändern. NARA akzeptiert durchsuchbare OCR-PDFs nur, wenn der OCR-Prozess das Bitmap-Bild nicht verändert oder verschlechtert, und bewahrt solche Unterlagen als PDF/A (ISO 19005) auf, damit sie langfristig darstellbar und durchsuchbar bleiben (NARA; Wikipedia, PDF/A).

Quellen

1. National Archives — "Transfer Instructions for Permanent Electronic Records in PDF format". NARAs offizielle Anforderungen für die Übertragung von PDF-Datensätzen, einschließlich des OCR-Abschnitts, der durchsuchbaren Text nur akzeptiert, wenn er das ursprüngliche Bitmap-Bild nicht verändert oder verschlechtert, und akzeptable ("Searchable Image – Exact") vs. verbotene ("Searchable Image – Compact," "Formatted Text and Graphics," "PDF Normal") Ausgaben benennt. Primärquelle für die Archiv-Akzeptanzregeln.
2. National Archives — "Appendix A: Tables of File Formats". NARAs Format-Tabellen, mit dem Abschnitt zur optischen Zeichenerkennung, der akzeptable und verbotene OCR-Ausgabebegriffe auflistet ("Searchable Image – Exact," "Editable text," "TruePage," JBIG2, etc.). Bestätigt das OCR-Akzeptanzvokabular.
3. NARA (NARAtions) — "New Search Feature: Optical Character Recognition (OCR)" (2019). Ankündigung der OCR-Suche im National Archives Catalog: über 92 Millionen digitalisierte Seiten, mit OCR, das auf PDF-/Bilddatensätze angewendet wird, die seit Juni 2019 hinzugefügt wurden; auch NARAs eigener Hinweis, dass OCR "nicht perfekt" ist. Primärquelle für die Archivgrößen-Behauptungen.
4. New York State Bar Association — "Best Practices in E-Discovery in New York State and Federal Court" (2013). Praxisleitfaden der Anwaltskammer zur E-Discovery, der verlangt, dass produzierte ESI durchsuchbar sein muss, und das Szenario "Millionen Seiten ... nicht durchsuchbar" beschreibt. Primärquelle für den Anwendungsfall der juristischen Beweisermittlung.
5. Wikipedia — "PDF/A". Überblick über PDF/A (ISO 19005) als PDF-Variante für Archivierung und langfristige Aufbewahrung, mit seinen Funktionseinschränkungen. Primäre Tertiärquelle für die PDF/A-Definition.
6. Wikipedia — "Google Books". Dokumentiert, dass Google Books Bücher scannt und sie per OCR für die Volltextsuche in Text umwandelt. Quelle für den Kontext der Buchdigitalisierungsgröße.
7. Internet Archive — Digitization Services. IAs eigene Beschreibung seiner Digitalisierungspipeline: Bilder werden mit Tesseract-OCR verarbeitet, wodurch jede Seite textdurchsuchbar wird, mit mehreren Formaten pro Element. Primärquelle für die Internet-Archive-OCR-Behauptungen.
8. Open Library (Internet Archive) — OCR-Beiträge. Die OCR-Dokumentation des Archivs, die festhält, dass täglich über 1.000 Bücher digitalisiert werden und Wortkoordinaten-OCR-Daten speziell zum Erstellen durchsuchbarer PDFs verwendet werden. Bestätigt den Workflow des Archivs für durchsuchbare PDFs.
9. AIIM — "Paper-Free Progress: Measuring Up" (2015 Industry Watch). Unabhängige Branchenumfrage unter Informationsfachleuten: 41% nutzen OCR in irgendeiner Form, 34% scannen nur flache Bilder, 18% scannen fürs Archiv. Primärquelle für die OCR-Adoptionsdaten.
10. ABBYY — „Types of PDFs: Searchable PDF, Image-Only, True PDF". Erklärt, dass durchsuchbare PDFs von OCR erstellt werden, indem dem Bildlayer eine Textebene hinzugefügt wird, sowie die Taxonomie von bildbasierten / durchsuchbaren / digital erstellten PDFs. Quelle für das Drei-Typen-Framework (nur Mechanismus, keine Herstellerdaten).
11. PDFlib — Cookbook: „Invisible text". Technische Herstellerdokumentation (PDFlib), die zeigt, wie unsichtbarer OCR-Text mithilfe des Text-Rendering-Modus 3 an expliziten Koordinaten auf einem gescannten Bild platziert wird. Primäre technische Quelle für den Mechanismus der unsichtbaren Textebene.
12. OCRmyPDF — „Advanced features" (Dokumentation). Dokumentation des Open-Source-OCR-Tools, die beschreibt, wie die unsichtbare Textebene gerendert und auf die Original-PDF-Seite gelegt wird. Bestätigt den Mechanismus der unsichtbaren Textebene.
13. Hypothesis — „How to OCR PDFs" (Hilfedokumentation). Unterscheidet die durchsuchbare (unsichtbarer Text) vs. bearbeitbare (sichtbarer Text) vs. Bildform und dokumentiert die Erkennungsfehler der Textebene mit realen Beispielen. Quelle für die Unterscheidung durchsuchbar/bearbeitbar und die OCR-Fehlerhinweise.
14. evermap — „Recognize Text in Scanned PDF Documents" (Adobe-Acrobat-Tutorial). Dokumentiert Acrobats drei OCR-Ausgabemodi — Searchable Image, Searchable Image (Exact), Editable Text & Images — und wie verborgener Text hinter dem Seitenbild hinzugefügt wird. Quelle für die Ausgabemodus-Taxonomie und den Kontrast zur Bearbeitbarkeit.
15. Tungsten Automation (Kofax-Linie) — PowerPDF-Glossar: „Searchable PDF". Glossardefinition: „eine PDF-Variante, die ein Bitmap-Bild eines Dokuments enthält, wobei der Textinhalt als verborgener Text gespeichert ist." Unabhängige Hersteller-Glossardefinition.
16. LlamaIndex — „What is Reading Order Detection?". Technisches Glossar, das dokumentiert, dass die flache Links-nach-rechts-Textextraktion benachbarte Spalten mehrspaltiger Dokumente vermischt. Quelle für den Fehlermodus bei mehrspaltiger Lesereihenfolge.
17. docsie — „Text Layer" Glossar. Glossar, das die unsichtbare selektive Textüberlagerung in PDFs und ihre Unterstützung für die Barrierefreiheit von Screenreadern erklärt. Bestätigt den Anwendungsfall der Barrierefreiheit.

Verwandte Begriffe

• Was ist optische Zeichenerkennung (OCR)?: Die Technologie, die Zeichen aus einem Scan liest und die durchsuchbare Textebene erzeugt — OCR ist der Mechanismus hinter jedem durchsuchbaren PDF.
• Datenerfassung: Die Pipeline, in der durchsuchbare Textebenen die Indexierung, Suche und nachgelagerte Extraktion speisen — hier wird ein durchsuchbares PDF nicht nur ein Archiv, sondern wiederverwendbare Daten.
• Was ist intelligente Zeichenerkennung (ICR)?: Die handschriftlesende Schwester von OCR — die Motorklasse, die ein OCR-Durchlauf bei handschriftlichen Scans zum Aufbau der Textebene verwenden könnte.
• OCR-Genauigkeit nach Dokumenttyp: Die Benchmark-Daten zur Zuverlässigkeit der Textebene eines durchsuchbaren PDFs bei unterschiedlichen Scan-Qualitäten und Layouts.

Weiterführende Lektüre: Warum gescannte PDFs erst nach der OCR bearbeitbar und durchsuchbar sind · So konvertieren Sie ein gescanntes PDF Schritt für Schritt in Excel · Kann KI Daten aus gescannten PDFs extrahieren? · KI-Dokumentextraktion für Einsteiger