So führen Sie OCR bei einer gescannten PDF durch und machen sie durchsuchbar
Ein gescanntes PDF ist ein Bild, kein Text: Sie können seinen Inhalt weder durchsuchen noch markieren oder kopieren. Dieser Leitfaden zeigt die beiden lokalen Wege von pdfmcp: OCR zu einem durchsuchbaren PDF oder OCR zu reinem Text, alles auf Ihrem Gerät, mit den Einstellungen, die wirklich zählen.
Warum ein gescanntes PDF keinen Text hat
Ein Scanner speichert ein Foto jeder Seite. Die Wörter sind Pixel in einem Bild, keine Zeichen, also findet die Suche nichts, das Markieren von Text markiert nichts und es gibt nichts zu kopieren. OCR (optische Zeichenerkennung) behebt das: Es liest das Bild jeder Seite und errät, welche Zeichen die Pixel bilden.
pdfmcp nutzt dafür Tesseract. Es gibt zwei OCR-Operationen, und jede beantwortet einen anderen Bedarf. ocr_pdf gibt Ihnen ein PDF mit demselben Aussehen zurück, aber mit einer unsichtbaren Textschicht, sodass das Dokument selbst durchsuch- und markierbar wird. ocr_to_text gibt Ihnen nur die Wörter als reinen Text zurück. Beide laufen lokal.
Wählen Sie den Weg: durchsuchbares PDF oder nur Text
Wählen Sie ocr_pdf, wenn das Dokument ein Dokument bleiben muss: ein Vertrag, ein Bericht oder ein Archiv, das andere öffnen, durchsuchen und zitieren werden. Es läuft lokal mit dem pdfmcp-Paket, weil das Erstellen eines sauberen durchsuchbaren PDFs schwere Maschinerie braucht. Seiten, die schon eine Textschicht haben, gehen unverändert durch und werden als übersprungen gemeldet, also ist die Ausführung auf einem gemischten Dokument sicher.
Wählen Sie ocr_to_text, wenn Sie nur die Wörter brauchen: zum Einfügen in eine Notiz, zum Weitergeben an ein Skript oder um zu lesen, was ein Scan sagt. Auf der Website läuft es auf Ihrem Gerät, in Ihrem Browser, und Ihre Datei wird nie hochgeladen; beachten Sie, dass die Web-Version auf dem Gerät nur Englisch enthält. Dieselbe Operation mit dem lokalen Paket kann die Sprache konfigurieren.
Ein durchsuchbares PDF erstellen, Schritt für Schritt
1) Installieren Sie das pdfmcp-Paket einmal (siehe MCP-Seite). 2) Führen Sie die Operation ocr_pdf auf Ihrer Datei aus, mit dem lokalen Paket, einem per lokalem MCP verbundenen Agenten oder Ihrem eigenen Code. 3) Öffnen Sie das Ergebnis und prüfen Sie es: Suchen Sie ein Wort, das Sie auf der Seite sehen können. Wenn die Suche es findet und an der richtigen Stelle markiert, sitzt die Textschicht.
Wenn Sie über einen KI-Agenten arbeiten, schrumpfen dieselben Schritte zu einer einzigen Anfrage: Verbinden Sie den lokalen MCP-Server einmal (siehe Einrichtungsleitfäden) und bitten Sie den Agenten dann, OCR auf die Datei anzuwenden. Alles geschieht auf Ihrem Rechner.
Die Einstellungen, die zählen: Sprache, DPI und Seiten
Die Sprache ist die Einstellung, bei der man sich am häufigsten irrt. Standard ist eng (Englisch). Für andere Sprachen setzen Sie den Sprachparameter auf einen Tesseract-Sprachcode oder kombinieren Codes: eng+deu für ein Dokument, das Englisch und Deutsch mischt, zum Beispiel. Die Sprachdaten werden beim ersten Gebrauch einmalig heruntergeladen und bleiben auf Ihrem Rechner. Die Sprache zu wählen, in der das Dokument wirklich geschrieben ist, zählt weit mehr als jede andere Einstellung.
DPI ist standardmäßig 300 und kann zwischen 150 und 600 eingestellt werden: Das ist die Auflösung, mit der jede Seite vor der Erkennung gerendert wird. Lassen Sie 300 für normale Scans; ein höherer Wert kann bei kleiner Schrift helfen, auf Kosten langsamerer Arbeit auf Ihrem Rechner. Schließlich begrenzt der Seitenparameter die Arbeit auf die angegebenen Seiten (1-3,5,8 zum Beispiel), was der schnellste Weg ist, Ihre Einstellungen an wenigen Seiten zu testen, bevor Sie ein langes Dokument verarbeiten.
Limits, Datenschutz und die ehrlichen Grenzen
Praktisch begrenzt Sie Ihr Gerät: Speicher und Geschwindigkeit, und im Browser Dateien bis etwa 100 MB und 500 Seiten. Sehr lange Dokumente dauern so lange, wie Ihr Rechner dauert; einen riesigen Scan in Teile zu teilen, bleibt eine gute Idee.
Datenschutz folgt den pdfmcp-Regeln, ohne stärkere Behauptung als die der Seite selbst: Alles läuft lokal, Ihre Datei wird nie hochgeladen, nie auf einem Server gespeichert und nie zum Trainieren von KI verwendet. Und die ehrliche Grenze: OCR liest gedruckten Text aus einem einigermaßen scharfen Scan. Handschrift, Scans mit sehr geringem Kontrast und beschädigte Seiten erzeugen Fehler: Das Ergebnis ist eine Textschicht nach bestem Bemühen, keine beglaubigte Abschrift, also prüfen Sie wichtige Namen und Zahlen am Seitenbild.
Häufige Fragen
Ist OCR bei pdfmcp kostenlos?
Ja, für immer kostenlos. Das Werkzeug OCR zu Text auf dem Gerät ist kostenlos und braucht kein Konto. Vollständiges OCR mit dem lokalen Paket ist ebenfalls kostenlos, ohne Schlüssel und ohne Tageskontingent. Es gibt keine kostenpflichtige Stufe.
Ändert OCR das Aussehen meines PDFs?
ocr_pdf fügt eine unsichtbare Textschicht hinzu; die Seitenbilder bleiben, wie sie waren. Seiten, die schon Text haben, gehen unverändert durch und werden als übersprungen gemeldet.
Welche Sprachen kann OCR lesen?
Mit dem lokalen Paket setzen Sie den Sprachparameter auf einen Tesseract-Sprachcode (Standard eng; Kombinationen wie eng+deu funktionieren): Die Sprachdaten werden beim ersten Gebrauch einmalig heruntergeladen. Das Web-Werkzeug OCR zu Text auf dem Gerät enthält nur Englisch.
Warum dauert mein großer Scan so lange?
OCR ist schwere Arbeit und läuft auf Ihrem Rechner, also dauert ein sehr langer Scan so lange, wie Ihr Computer dauert. Teilen Sie das Dokument in kleinere Teile und wenden Sie OCR auf diese Teile an, oder extrahieren Sie, falls die Datei schon eine Textschicht hat, diesen Text stattdessen mit pdf_to_text.
Funktioniert OCR mit Handschrift?
Es ist für gedruckten Text gedacht. Handschrift und Scans schlechter Qualität können Fehler erzeugen, also prüfen Sie kritische Details am ursprünglichen Seitenbild.
Ursprünglich veröffentlicht auf https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/