Das Symptom
Du hast einen Vertrag eingescannt. Das PDF sieht perfekt aus, jeder Buchstabe gestochen
scharf. Nur lässt sich nichts markieren, nichts kopieren, und Strg+F findet kein einziges
Wort – nicht einmal solche, die groß auf der ersten Seite stehen.
Die „Layer 8“-Wahrheit
Da ist kein Text. Da war nie Text. Sie sehen Buchstaben, weil Ihr Gehirn Buchstaben
erkennt – die Datei kann das nicht.
Ein Scanner liest nicht, er fotografiert. Was er in die PDF-Datei legt, ist ein Bild:
Millionen von Bildpunkten, hell und dunkel. Dass sich manche davon zu der Form eines „A“
zusammenfügen, ist eine Leistung Ihres Sehsystems und keine Eigenschaft der Datei. Für
den Computer ist ein gescannter Buchstabe exakt dasselbe wie ein Baum auf einem
Urlaubsfoto: eine Anordnung von Pixeln, ohne jede Bedeutung.
Genau deshalb findet die Suche nichts. Sie sucht nach Zeichen, und es gibt keine. Das ist
kein Fehler, sondern die zwangsläufige Folge dessen, was ein Scan ist.
Was fehlt, ist ein Übersetzer: eine Texterkennung, die das Bild anschaut und daraus
Zeichen ableitet. Sie legt den erkannten Text unsichtbar über das Original – das Aussehen
bleibt exakt gleich, aber plötzlich lässt sich suchen und kopieren. Der ärgerliche Teil
daran: Fast jeder Scanner kann das von Haus aus. Die Option heißt „durchsuchbares PDF“ und
ist ab Werk ausgeschaltet. Ein Haken, den niemand setzt, weil niemand weiß, dass er
existiert – und der Jahre später ganze Aktenordner unbrauchbar macht.
Die echte, verifizierte Lösung
1000 % faktenbasiert. Jeder Befehl ist real, jeder Pfad existiert. Schritt für Schritt:
1.Verstehen, was in der Datei steckt
Ein Scan ist ein Foto der Seite. Für die Datei gibt es keine Buchstaben, nur helle und dunkle Bildpunkte. Dass Sie Text sehen, liegt an Ihrem Gehirn, nicht an der Datei. Deshalb findet die Suche nichts – sie sucht nach Zeichen, und es gibt keine.
2.Beim Scannen gleich richtig einstellen
Viele Scanner und Multifunktionsgeräte bieten die Option „durchsuchbares PDF“ oder „PDF mit Texterkennung“. Wer sie einmal aktiviert, hat das Problem nie wieder. Sie kostet ein paar Sekunden mehr pro Seite und spart Jahre später Stunden.
3.Nachträglich Texterkennung laufen lassen
Für vorhandene Dateien gibt es freie Werkzeuge. OCRmyPDF legt den erkannten Text unsichtbar über das Originalbild, ohne dessen Aussehen zu verändern. Zwei Dinge, die im Handbuch stehen und trotzdem überraschen: Enthält eine Seite bereits Text, bricht das Programm ohne Ausgabedatei ab – dann braucht es --skip-text. Und ohne weitere Angabe schreibt es die Ausgabe als PDF/A für die Langzeitarchivierung; wer möglichst wenig an der Datei geändert haben will, ergänzt --output-type pdf.
ocrmypdf -l deu scan.pdf durchsuchbar.pdf
4.Auf die Sprache achten
Ohne Sprachangabe erkennt die Software oft Englisch und stolpert über Umlaute und Eszett. Für deutsche Dokumente muss das deutsche Sprachpaket installiert und angegeben sein – bei Tesseract heißt es deu, unter Debian und Ubuntu steckt es im Paket tesseract-ocr-deu. Mehrere Sprachen in einem Dokument werden mit Pluszeichen verbunden, etwa -l deu+eng.
5.Die Qualität der Vorlage ernst nehmen
Texterkennung ist nur so gut wie der Scan. 300 dpi, gerade ausgerichtet, guter Kontrast: Damit liegt die Erkennungsrate sehr hoch. Ein schiefes, graustichiges Handyfoto einer zerknitterten Seite liefert Zeichensalat – und daran ändert keine Software etwas.
6.Nicht blind vertrauen
OCR erreicht nie hundert Prozent. Für ein durchsuchbares Archiv ist das gleichgültig. Wer aber aus einem Vertrag wörtlich zitiert oder Zahlen aus einer Rechnung übernimmt, muss gegenlesen – eine falsch erkannte Ziffer sieht genauso vertrauenswürdig aus wie eine richtige.