OCR – Bild-zu-Text-Extraktor – kostenlos

Beispiel

Nehmen Sie den Scan einer A4-Seite mit 2.480 × 3.508 Pixeln (300 dpi). Lassen Sie „Bildsprache“ auf Englisch, drücken Sie „Text extrahieren“, und das Tool sucht auf einer auf 672 × 960 Pixel verkleinerten Kopie nach Text und liest dann jede Zeile aus einer Kopie mit 1.357 × 1.920 Pixeln. Danach zeigen die Kacheln „Konfidenz“, „Zeilen“, „Wörter“ und „Zeichen“. Wenn Sie „Durchsuchbare PDF (.pdf)“ wählen, enthält eine Datei mit einem Namen wie „scan_ocr.pdf“ das Originalbild auf einer Seite von etwa 595 × 842 Punkten (A4-Format), über das der erkannte Text unsichtbar gelegt ist. Beim ersten Besuch ist das Paket für lateinische Schrift 7,7 MB und der gemeinsame Detektor 11,1 MB groß, zusammen also 18,7 MB an Modellen. Legen Sie stattdessen ein gescanntes PDF mit 10 Seiten ab, steht auf der Seite „10 Seiten · etwa 5 Minuten auf diesem Gerät“, eine erste Schätzung von 30 Sekunden pro Seite.

Welche Einstellungen zu verwenden sind, und die Grenzen

• Wählen Sie die Bildsprache, bevor Sie „Text extrahieren“ drücken. Das Menü „Bildsprache“ listet 51 Sprachen, nach Schriftsystem gruppiert, und jede Gruppenüberschrift nennt die Downloadgröße, etwa „Lateinische Schrift — 7,7 MB“ oder „Chinesisch & Japanisch — 15,9 MB“. Sprachen derselben Gruppe teilen sich einen Download, ein Wechsel von Französisch zu Polnisch kostet also nichts. Koreanisch, Arabisch, Devanagari, Thai, Griechisch, Tamil und Telugu brauchen jeweils ein eigenes Paket. Das Menü beginnt mit der Sprache Ihrer Seite und merkt sich danach Ihre letzte Auswahl in diesem Browser. Hebräisch wird nicht unterstützt, und die Seite meldet „Hebräisch wird von dieser Engine nicht unterstützt.“
• Legen Sie Dateien ab, fügen Sie sie ein oder verarbeiten Sie mehrere auf einmal. Das Tool nimmt JPG-, PNG-, WebP-, BMP- und PDF-Dateien an, und mit Strg+V können Sie einen Screenshot einfügen. Legen Sie mehrere Dateien ab oder nutzen Sie „Mehr Dateien hinzufügen“, dann kommen sie in eine Warteschlange, die sie nacheinander mit derselben Sprache liest. In der Warteschlange wählen Sie bei „Jede Datei speichern als“ zwischen „Reiner Text (.txt)“ und „Durchsuchbare PDF (.pdf)“, und das Menü bietet „Eine zusammengefasste .txt herunterladen“. Ein Bild mit mehr als 40 Megapixeln wird abgelehnt, zum Beispiel alles, was größer als 8.000 × 5.000 Pixel ist.
• Wählen Sie das Exportformat, das zu Ihrem Zweck passt. „Exportformat“ bietet „Reiner Text (.txt)“, „Durchsuchbare PDF (.pdf)“ und „hOCR, durchsuchbarer Text (.html)“. Bei einem Bild ist zunächst die Textoption gewählt, bei einem PDF die durchsuchbare PDF. Die durchsuchbare PDF behält die ursprünglichen Seitenbilder unverändert bei und legt den Text unsichtbar darüber, sodass Sie in einem PDF-Betrachter suchen, markieren und kopieren können. hOCR gibt es nur für einzelne Bilder. Es behält die Position jeder Zeile bei, aber als aufrechte Rechtecke, sodass schräge Zeilen ihre Neigung verlieren. Die Dateien heißen zum Beispiel „scan.txt“, „scan_ocr.pdf“ und „scan.hocr.html“.
• Bei gescannten PDFs sollten Sie mit etwa 30 Sekunden pro Seite rechnen und „Stoppen und behalten“ nutzen. Vor dem Start zeigt ein PDF eine Zeitschätzung auf Basis von 30 Sekunden pro Seite. Ab der zweiten Seite wechselt der Balken zu einer auf Ihrem Gerät gemessenen Angabe „noch ca. N Min.“, und es erscheint eine Schaltfläche wie „Stoppen und die ersten 3 Seiten behalten“. Wenn Sie sie drücken, endet der Durchlauf und die fertigen Seiten bleiben erhalten; das Ergebnis vermerkt „Vorzeitig angehalten: Der Text und die durchsuchbare PDF umfassen die Seiten 1–3 von 10.“ Seiten, die bereits echten Text enthalten, bleiben unverändert, mit dem Hinweis „Diese Seite enthielt bereits Text und wurde daher unverändert beibehalten.“ Ein passwortgeschütztes PDF wird abgelehnt.
• Geben Sie dem Detektor eine klare Nahaufnahme des Textes. Text wird auf einer Kopie Ihres Bildes gesucht, deren längere Seite höchstens 960 Pixel misst, und kleine Bilder werden nie vergrößert. Eine ganze Seite, die aus der Ferne fotografiert wurde, liefert also wenig Details pro Buchstabe. Schneiden Sie auf den benötigten Text zu und fotografieren Sie ihn frontal bei gleichmäßigem Licht. Zeilen, die das Erkennungsmodell mit weniger als 50 % bewertet, werden verworfen. Nach einem Durchlauf zeichnet „Erkannte Textfelder anzeigen“ die Rahmen in die Vorschau, sodass Sie sehen, welche Zeilen gefunden wurden. Die Seite selbst weist darauf hin, dass Handschrift weiterhin schlecht funktioniert und sehr kleine oder kontrastarme Schrift übersehen werden kann.
• Wissen Sie, was heruntergeladen wird und was Ihr Gerät nicht verlässt. Beim ersten Durchlauf werden der gemeinsame Detektor und die Modelle zur Ausrichtung (zusammen 11,1 MB) sowie das Paket für Ihre Schrift heruntergeladen, und die Seite nennt die einmalige Datenmenge, bevor es losgeht. Außerdem wird die gemeinsame ONNX-Runtime-Engine-Datei geladen, die in dieser Menge enthalten ist, es sei denn, ein anderes Tool der Website hat sie bereits im Cache abgelegt. Danach bleiben die Modelle im Browser-Cache, und die Seite meldet „Das Modell ist bereits heruntergeladen, es muss nichts geholt werden.“ Laut dem Hinweis der Seite werden die Modelldateien vom eigenen Server der Website geladen, und Ihre Datei wird nie hochgeladen. Wenn Sie den Speicherplatz zurückhaben möchten, nutzen Sie „Heruntergeladenes Modell entfernen“ mit seiner Größenangabe.

Häufige Probleme und wie man sie behebt

Es erscheint „Dieses Bild konnte nicht gelesen werden. Versuchen Sie eine JPG-, PNG- oder WebP-Datei.“, und „Text extrahieren“ ist ausgegraut.

Der Browser konnte die Datei nicht als Bild dekodieren. Die Datei kann beschädigt sein oder ein anderes Format haben, das unter einem JPG- oder PNG-Namen gespeichert wurde. Die Schaltfläche bleibt für diese Datei deaktiviert, damit sie nicht erneut scheitert; entfernen Sie die Datei und fügen Sie eine andere hinzu. Speichern Sie das Bild neu als JPG, PNG oder WebP, oder machen Sie einen Screenshot davon und fügen Sie diesen ein. Ein PDF, das sich nicht öffnen lässt, ergibt „Diese Datei konnte nicht als PDF gelesen werden. Sie ist möglicherweise beschädigt oder gar kein PDF.“

Es erscheint „OCR fehlgeschlagen“.

Der Durchlauf wurde abgebrochen, bevor er fertig war. Eine Ursache ist, dass die Engine auf Ihrem Gerät 180 Sekunden lang kein Lebenszeichen gesendet hat, was die Seite als Hänger wertet. Dieser Zähler läuft nur, solange der Tab sichtbar ist; lassen Sie den Tab bei einem langen Durchlauf also im Vordergrund. Nach einem Fehler verwirft das Tool seinen Worker, sodass „Text extrahieren“ beim nächsten Drücken einen frischen startet. Wenn es immer wieder passiert, schneiden Sie das Bild zu oder verkleinern Sie es, verarbeiten Sie ein PDF in kleineren Teilen oder versuchen Sie es mit einem Desktop-Browser.

Es erscheint „Kein Text gefunden. Versuchen Sie ein schärferes Bild oder eines mit mehr Kontrast zwischen Text und Hintergrund.“

Der Detektor hat keine Zeile gefunden, bei der sich das Erkennungsmodell zu mindestens 50 % sicher war. Prüfen Sie zuerst die „Bildsprache“, denn jedes Paket ist für ein Schriftsystem gebaut; ein Paket für lateinische Schrift ist also die falsche Wahl für Arabisch, Thai oder Chinesisch. Schneiden Sie dann auf den Text zu, erhöhen Sie den Kontrast und richten Sie das Foto gerade aus. Handschrift kann dieses Ergebnis liefern. Bei einem PDF erscheint dieselbe Meldung nur, wenn keine Seite Text ergeben hat; ein PDF, das auf jeder Seite bereits echten Text enthält, liefert also Text und nicht diese Meldung.

Im Modellfeld steht „Der Download wurde unterbrochen - prüfen Sie Ihre Verbindung und versuchen Sie es erneut.“ oder „Ihr Gerät ist auf Datensparen eingestellt, deshalb wurde der Download nicht gestartet.“

Die Dateien des Erkennungsmodells konnten nicht geladen werden. Prüfen Sie die Verbindung und drücken Sie „Erneut versuchen“, oder schalten Sie den Datensparmodus aus bzw. wechseln Sie ins WLAN, wenn die Meldung zum Datensparen erscheint. Ein ins Stocken geratener Download wird gesondert gemeldet. Ihr Bild wird dekodiert, bevor der Download beginnt, sodass eine unlesbare oder zu große Datei Sie nie einen Download kostet. Wenn das Feld meldet, dass das Gerät nicht genug Arbeitsspeicher hat oder der Browser zu alt ist, nutzen Sie einen Desktop-Rechner oder ein aktuelles Chrome, Edge, Firefox oder Safari.

Es erscheint „Dieses Bild ist zu groß, um in einem Browser-Tab verarbeitet zu werden (Grenze 40 Megapixel). Verkleinern Sie es und versuchen Sie es erneut.“ oder „Eine Seite dieser PDF-Datei ist zu groß, um sie in einem Browser-Tab darzustellen.“

Das Bild hat mehr als 40 Millionen Pixel, mehr als ein Browser-Tab sicher verarbeiten kann. Das wird vor jedem Download geprüft. Verkleinern oder beschneiden Sie es in einem beliebigen Bildeditor und fügen Sie es erneut hinzu, oder nehmen Sie das Foto mit einer niedrigeren Kameraauflösung auf. Ein Handyfoto mit 12 Megapixeln liegt weit unter der Grenze. Bei einem PDF bedeutet die Meldung, dass eine Seite riesig ist, viele Meter breit. Exportieren Sie sie zuerst in einem kleineren Seitenformat. In einer Warteschlange zeigt die Datei „Bild zu groß zum Lesen“.

Wie es im Vergleich abschneidet

Wenn ein PDF bereits markierbaren Text enthält, brauchen Sie gar kein OCR: Das Tool erkennt das und behält diese Seiten unverändert. Bei Scans und Fotos läuft die Erkennung hier auf Ihrem Prozessor, eine dichte Seite dauert also etwa 30 Sekunden und ein Handy ist langsamer, während andere OCR-Software schneller sein kann. Dieses Tool findet Textzeilen und gibt sie in Lesereihenfolge zurück, ohne Tabellen-, Spalten- oder Schriftrekonstruktion; eine zweispaltige Seite kann daher mit vermischten Zeilen beider Spalten herauskommen. Dafür bietet es eine durchsuchbare PDF als Ausgabe, 51 Sprachen und eine Datei, die nicht hochgeladen wird.