OCR-Texterkennung aus Bildern und PDFs

Sauber gedruckter Text wird nahezu fehlerfrei erkannt; Handyfotos und verblasste Scans sind schwieriger. Die Engine richtet gedrehte Aufnahmen auf und liest jede Zeile in ihrem eigenen schrägen Rahmen; Wörter mit niedriger Zuverlässigkeit werden hervorgehoben, damit sie sich vor dem Export korrigieren lassen.

Deutsch, Englisch und die übrigen Sprachen in lateinischer und kyrillischer Schrift, Chinesisch, Japanisch, Koreanisch, Arabisch, Griechisch, Hindi und Thai liest die neuronale Engine; rund hundert weitere – Hebräisch, Georgisch, Vietnamesisch, Bengalisch und andere – erkennt Tesseract. Die Sprachen sind in der Liste nach Schrift gruppiert; Modelle laden beim ersten Einsatz und bleiben im Browser-Cache.

Ja. Mehrseitige PDFs werden seitenweise per pdf.js gerendert und dann durch OCR geschickt. Das Ergebnis lässt sich als durchsuchbares PDF mit unsichtbarer Text-Schicht exportieren — Strg+F funktioniert, Screenreader können es lesen.

Der normale Modus ist auf Druckschrift abgestimmt: saubere Handschrift mit getrennten Buchstaben ist oft lesbar, Schreibschrift nicht. Für Handschrift gibt es „Genauer erkennen“: Die Seite wird an einen Erkennungsserver gesendet und von einem Modell für Handschrift gelesen. Auf Seiten aus Schulheften las er fast 9 von 10 Wörtern richtig, der normale Modus weniger als 1 von 10.

Nach dem OCR werden erkannte Wörter nach ihrer vertikalen Position in Zeilen gruppiert und per horizontale Lücken in Spalten geteilt. Sobald mindestens drei Zeilen dieselbe Spaltenzahl haben, behandeln wir das als Tabelle und exportieren sie nach Excel; sonst enthält die Excel-Datei eine einzelne Textspalte.

Die Warteschlange nimmt bis zu 50 Dateien auf. Wie viele Dateien pro Tag erkannt werden und wie viele PDF-Seiten ein Durchlauf liest, steht im Kasten über der Schaltfläche „Text extrahieren“. Die maximale Dateigröße richtet sich nach dem Gerät (etwa 80 MB auf Handys, bis zu 1 GB auf Desktops); PDFs werden Seite für Seite verarbeitet, und bei einem großen Dokument wählen Sie den Seitenbereich.