Wie mache ich ein PDF mit Tesseract durchsuchbar?

Wandeln Sie die PDF-Seiten in Bilder um (z. B. mit pdftoppm bei 300 DPI) und führen Sie dann `tesseract seite.tif ausgabe pdf` aus. Für ein echtes mehrseitiges PDF in einem Schritt nutzen Sie OCRmyPDF: `ocrmypdf eingabe.pdf ausgabe.pdf`.

Warum braucht Tesseract Bilder statt PDFs?

Tesseract ist eine OCR-Engine, die Rasterbilder erkennt (TIFF, PNG, JPEG usw.). Ein PDF ist ein Container, der Vektortext oder gescannte Bilder enthalten kann, daher müssen Seiten zuerst rasterisiert werden.

Wie OCR-e ich ein PDF in Python?

Nutzen Sie pdf2image (benötigt poppler), um Seiten in Bilder umzuwandeln, führen Sie pytesseract pro Seite aus und kombinieren Sie mit `image_to_pdf_or_hocr(page, extension='pdf')` und pypdf.

Welche DPI sollte ich für PDF-OCR verwenden?

300 DPI ist der Standard-Kompromiss aus Genauigkeit und Geschwindigkeit. Nutzen Sie 600 DPI für kleine Schriften oder Archivierung und vermeiden Sie unter 200 DPI, wo die Genauigkeit stark sinkt.

Warum ist das Ausgabe-PDF leer oder ohne Text?

Häufige Ursachen sind eine fehlende Textebene (OCR lief nicht), die falsche Sprache oder ein zu niedrig aufgelöstes Scan-Bild. Prüfen Sie den Erfolg des Tools und suchen Sie ein bekanntes Wort im PDF.

Tesseract OCR für PDF — Text extrahieren, durchsuchbare PDFs

Kurzfassung (ein Befehl)

Für ein echtes mehrseitiges PDF ist OCRmyPDF der schnellste Weg.

bash

pip install ocrmypdf      # oder: apt install ocrmypdf
ocrmypdf eingabe.pdf ausgabe.pdf

Kein OCRmyPDF? Rasterisieren Sie und nutzen Sie die Tesseract-CLI direkt — siehe unten.

Warum PDFs rasterisiert werden müssen

Tesseract erkennt Bilder, keine PDF-Container.

Ein PDF ist ein Container: Es kann Vektortext, eingebettete Schriften oder gescannte Seitenbilder enthalten. Tesseract liest Rasterbilder (TIFF, PNG, JPEG, WebP …), daher müssen Seiten zuerst in Bilder umgewandelt werden. Wählen Sie den Rasterizer je nach Installation:

Tool	Installation	Hinweise
`pdftoppm` (poppler)	`apt install poppler-utils`	Schnell, skriptbar, die klassische Wahl
`pdftocairo` (poppler)	poppler-utils	Ähnlich zu pdftoppm, Cairo-Ausgabe
ImageMagick	`apt install imagemagick`	`convert -density 300 in.pdf out.tif`
PyMuPDF	`pip install pymupdf`	Reines Python, keine externen Binaries
pdf2image	`pip install pdf2image`	Python-Wrapper um poppler

bash

# PDF -> ein PNG pro Seite bei 300 DPI
pdftoppm -png -r 300 eingabe.pdf seite

Die DPI ist am wichtigsten: 300 DPI ist der Standard; 600 DPI für kleine Schriften oder Archivierung; unter 200 DPI vermeiden.

Durchsuchbares PDF mit der Tesseract-CLI erstellen

Ein Bild wird mit der Ausgabe-Konfiguration pdf zu einer durchsuchbaren PDF-Seite.

bash

# Bild -> durchsuchbares PDF
tesseract seite-1.png ausgabe pdf

# Nur Textebene (ohne sichtbares Bild)
tesseract scan.png ausgabe textonly_pdf

# Mehrere Seiten in ein PDF: Bildliste übergeben
tesseract bildliste.txt ausgabe pdf

Für ein mehrseitiges PDF schreiben Sie jeden Bildpfad in eine eigene Zeile in bildliste.txt. Vollständige Formatreferenz: Dokumentation.

Methode B — OCRmyPDF (empfohlen für echte PDFs)

OCRmyPDF übernimmt Rasterisieren, OCR, Entzerren, Drehen und die unsichtbare Textebene in einem Befehl.

bash

ocrmypdf eingabe.pdf ausgabe.pdf                    # Basis
ocrmypdf -l eng+deu eingabe.pdf ausgabe.pdf         # Sprachen
ocrmypdf --deskew --rotate-pages eingabe.pdf ausgabe.pdf
ocrmypdf --optimize 2 eingabe.pdf ausgabe.pdf       # Datei verkleinern
ocrmypdf --skip-text eingabe.pdf ausgabe.pdf        # Seiten mit Text behalten

OCRmyPDF nutzt Tesseract und benötigt Ghostscript und die poppler-Tools. Nützliche Flags: --force-ocr, --redo-ocr, --pages 1-10.

Methode C — pdfsandwich

Ein leichterer Wrapper, der eine Textebene hinzufügt und Vorverarbeitung wie Entzerren durchführt.

bash

pdfsandwich scan.pdf          # erzeugt scan_ocr.pdf
pdfsandwich -lang eng+deu scan.pdf

Methode D — Python von Anfang bis Ende

Nutzen Sie pdf2image zum Rasterisieren und pytesseract für das durchsuchbare PDF, dann mit pypdf zusammenführen.

pdf.py

import io, pytesseract
from pdf2image import convert_from_path
from pypdf import PdfWriter, PdfReader

pages = convert_from_path("eingabe.pdf", dpi=300)   # benötigt poppler
writer = PdfWriter()
for page in pages:
    pdf_bytes = pytesseract.image_to_pdf_or_hocr(page, extension="pdf", lang="deu")
    writer.add_page(PdfReader(io.BytesIO(pdf_bytes)).pages[0])
with open("ausgabe.pdf", "wb") as f:
    writer.write(f)

Unter Windows übergeben Sie den poppler-bin-Ordner mit poppler_path=. Mehr Details in der pytesseract-Anleitung.

Welche Methode soll ich verwenden?

Methode	Ideal für	Einrichtung	Mehrseitig
OCRmyPDF	Echte PDFs, Automatisierung	Ghostscript + poppler	Ja, in einem Befehl
pdfsandwich	Schnelle Textebene mit Vorverarbeitung	poppler + ImageMagick	Ja
Tesseract-CLI	Bilder oder Bildlisten	Nur Tesseract	Über eine Bildliste
Python (pdf2image)	Pipelines und eigene Logik	poppler + pytesseract	Schleife und Zusammenführen

Layout-Treue und Textüberlagerung

Warum durchsuchbare PDFs manchmal verschoben aussehen und wie Sie die Geometrie erhalten.

Die unsichtbare Textebene wird über die OCR-Wortboxen platziert; bei falscher DPI kann die Überlagerung abweichen.
Nutzen Sie hOCR- oder ALTO-Ausgabe, wenn Sie exakte Wortkoordinaten benötigen.
pdftoppm -r 300 und dieselbe Seitengröße halten die Überlagerung ausgerichtet.
Für komplexe Layouts bevorzugen Sie OCRmyPDF, das das Originalbild erhält und die Ebene an Ort und Stelle hinzufügt.

Qualität und Performance

DPI: 300 Standard, 600 für kleine Schriften oder Archivierung.
Seitenbereiche: nur verarbeiten, was nötig ist (--pages bei OCRmyPDF).
Parallelität: Seiten parallel OCR-en und dann zusammenführen.
Dateigröße: --optimize / JPEG-Kompression oder DPI nach dem OCR reduzieren.
Vorverarbeitung: Entzerren und Entrauschen vor dem OCR.

Fehlerbehebung

Symptom	Ursache	Lösung
`Unable to get page count. Is poppler installed?`	pdf2image findet poppler nicht	Installieren Sie poppler-utils oder setzen Sie `poppler_path` unter Windows.
Ausgabe-PDF ohne durchsuchbaren Text	OCR lief nicht oder falsche Sprache	Erfolg prüfen und `-l`/`--language` auf die Dokumentsprache setzen.
Textüberlagerung ist verschoben	Falsche DPI oder Seitengröße	Bei 300 DPI mit Originalgröße rasterisieren.
Ausgabedatei ist riesig	Verlustfreie Bilder bei 600 DPI	`--optimize` / JPEG nutzen oder DPI reduzieren.
Passwortgeschütztes PDF schlägt fehl	Verschlüsselte Eingabe	Zuerst entschlüsseln oder das Passwort-Flag des Tools nutzen.

Häufige Fragen zu PDF

Wie mache ich ein PDF durchsuchbar?

Nutzen Sie ocrmypdf eingabe.pdf ausgabe.pdf oder rasterisieren Sie die Seiten und führen Sie tesseract seite.tif ausgabe pdf aus.

Warum liest Tesseract ein PDF nicht direkt?

Tesseract erkennt Rasterbilder, daher müssen PDF-Seiten zuerst in Bilder umgewandelt werden.

Welche DPI soll ich verwenden?

300 DPI für die meisten Dokumente; 600 DPI für kleine Schriften oder Archivierung.

Kann ich ein PDF in Python OCR-en?

Ja — nutzen Sie pdf2image mit poppler und pytesseract.image_to_pdf_or_hocr und führen Sie die Seiten mit pypdf zusammen.

Wie bleibt das Layout exakt?

Verwenden Sie dieselbe Seitengröße und DPI und bevorzugen Sie OCRmyPDF, das das Originalbild erhält und die Textebene darüberlegt.

Kurzfassung (ein Befehl)

Warum PDFs rasterisiert werden müssen

Durchsuchbares PDF mit der Tesseract-CLI erstellen

Methode B — OCRmyPDF (empfohlen für echte PDFs)

Methode C — pdfsandwich

Methode D — Python von Anfang bis Ende

Welche Methode soll ich verwenden?

Layout-Treue und Textüberlagerung

Qualität und Performance

Fehlerbehebung

Häufige Fragen zu PDF

Nächste Schritte