Was ist ein durchsuchbares PDF, und woran erkennt man es?

Ein durchsuchbares PDF ist ein PDF, dessen Seiten Text enthalten, den ein Programm lesen kann: Strg+F findet Wörter, der Cursor markiert sie, und ein Dokumentensystem indiziert sie. Ein gescanntes PDF ohne diesen Text ist ein Stapel Bilder, und jede Suche darin bleibt leer.

Auf dem Bildschirm sehen beide Dateien gleich aus. Der Unterschied steckt in der Datei.

Drei Arten von PDF

Text-PDFs kommen aus Word, dem Browser oder der Buchhaltung. Der Text ist als Text gespeichert, also sind sie von Anfang an durchsuchbar.

Reine Bild-PDFs kommen vom Scanner, vom Kopierer oder aus der Handykamera. Jede Seite ist ein Bild. Text gibt es in der Datei nicht, nur Pixel, die zufällig wie Buchstaben aussehen.

Durchsuchbare PDFs, manchmal Sandwich-PDFs genannt, sind Bild-PDFs mit einer zweiten Ebene: den Wörtern, die ein OCR-Programm erkannt hat, unsichtbar über das Bild gelegt, genau dort, wo sie auf der Seite stehen. Sie sehen weiterhin den Scan. Die Suche, der Cursor und der Index sehen den Text darunter.

Deshalb kann ein durchsuchbares PDF beides sein: die Archivkopie, die genau wie das Papier aussehen muss, und die Arbeitskopie, in der Sie suchen.

Woran Sie erkennen, ob ein PDF durchsuchbar ist

Öffnen Sie die Datei in einem beliebigen PDF-Betrachter und probieren Sie eine dieser Prüfungen:

1. Drücken Sie Strg+F und tippen Sie ein Wort, das Sie auf der Seite sehen. Findet der Betrachter nichts oder meldet null Treffer, hat die Seite keinen Text.
2. Ziehen Sie den Cursor über eine Zeile. In einem durchsuchbaren PDF werden die Wörter markiert. In einem Bild-PDF wird die ganze Seite als ein Bild markiert, oder gar nichts.
3. Unter Linux geben Sie die Textebene im Terminal aus. Das Werkzeug pdftotext gehört zu Poppler (Handbuchseite):

pdftotext scan.pdf - | head

Ein leeres Ergebnis oder eine Reihe von Seitenvorschubzeichen heißt: Es gibt keinen Text auszugeben.

Ein PDF kann auch teilweise durchsuchbar sein: ein Vertrag, dessen erste Seiten aus Word kommen und dessen Unterschriftenseite gescannt und angehängt wurde. Die Prüfungen oben gehören dann auf die gescannte Seite, nicht auf die erste.

Inklight macht dieselbe Prüfung, wenn Sie eine Datei ablegen. Ein PDF, das auf jeder Seite schon Text hat, bleibt unangetastet und heißt Bereits durchsuchbar; eines mit gescannten Seiten wird erkannt, und nur diese Seiten bekommen eine Textebene.

Wofür die Textebene gut ist

• Suchen in einer Datei, und über einen ganzen Ordner mit der Suche des Betriebssystems oder einem Dokumentenmanagementsystem.
• Kopieren und Einfügen einer Adresse, eines Betrags oder eines Absatzes, statt ihn abzutippen.
• Screenreader können die Seite vorlesen; ein Bild-PDF bleibt stumm.
• Einreichen bei Gerichten und Behörden. Das US-Berufungsgericht für den zweiten Bezirk etwa schickt jedes nicht durchsuchbare PDF zurück; die unsichtbare Ebene erfüllt solche Regeln, ohne das Aussehen der Seite zu ändern.
• Langzeitarchivierung. PDF/A, das Archivformat, erlaubt eine Textebene, sodass die Archivkopie zugleich die durchsuchbare Kopie sein kann.

Die Ebene ist nur so gut wie ihre Wörter. Hat die OCR eine Summe von 1.280 als 1.230 gelesen, sieht die Seite richtig aus, und die Suche nach 1.280 geht trotzdem ins Leere. Wie Sie solche Fehler finden und beheben: OCR-Fehler in einem gescannten PDF beheben.

Wie ein PDF durchsuchbar wird

Ein OCR-Programm liest jedes Seitenbild, erkennt die Wörter und schreibt sie als unsichtbare Ebene ins PDF. Online-Konverter tun das auf ihren Servern, nachdem Sie die Datei hochgeladen haben; Desktop-Programme tun es auf Ihrem eigenen Rechner. Welches wann passt und wo die Grenzen liegen: Durchsuchbares PDF: Konverter online oder auf dem PC?

Inklight ist der Desktop-Weg für Windows und Linux. Legen Sie einen Scan auf dem Fenster ab, und neben dem Original erscheint eine durchsuchbare Kopie unter demselben Namen plus _ocr. Der Free-Plan hat weder Seiten- noch Zeitlimit; die Schritt-für-Schritt-Anleitung steht in PDF durchsuchbar machen unter Windows und Linux, der Download unter Download.