PDF-Texterkennung kümmert sich um Scans und bildbasierte PDFs, in denen sich beim Öffnen kein Text markieren lässt: Jede Seite wird als 300-dpi-Bild gerendert, die tesseract-Engine im Browser liest es aus, und danach gibt es drei Ausgaben – ein „durchsuchbares PDF“, das die Originalseite zeigt und eine unsichtbare Textebene darüberlegt, ein TXT mit Trennern „—— Seite n ——“ oder ein DOCX mit einer Absatzgruppe je Seite und Seitenumbrüchen dazwischen.

Bringt ein PDF schon eine Textebene mit (Text markierbar, Strg+F findet etwas), ist keine OCR nötig: „PDF zu Word“ oder „PDF-Text extrahieren“ lesen die Ebene direkt – schneller und exakter. Liegen nur einzelne Bilder vor, nimm „Texterkennung (OCR)“.

1. 01Sprache wählen und Datei hochladenStandard „Vereinfachtes Chinesisch + Englisch (empfohlen)“; ein PDF hineinziehen – die Seitenzahl erscheint, und ab mehr als 20 Seiten kommt der Hinweis, dass Seite für Seite länger dauert.
2. 02Erkennung startenDer Fortschritt zählt „Seite x/n · Text erkennen“ hoch, der Textbereich wächst live mit jedem Seitenergebnis; „Erkennung abbrechen“ behält die schon fertigen Seiten.
3. 03Text gegenlesen„Erkannter Text“ erscheint nach Seiten getrennt und ist direkt editierbar – Änderungen landen nur im TXT-Download, nicht im durchsuchbaren PDF oder im DOCX.
4. 04Exportieren„Durchsuchbares PDF herunterladen“, „TXT herunterladen“ und „DOCX herunterladen“ ergeben <original-name>_durchsuchbar.pdf, <original-name>_OCR.txt und <original-name>_OCR.docx. Beim ersten Mal muss für das durchsuchbare PDF die eingebaute chinesische Schrift Noto Sans SC geladen werden (rund 10 MB, nur einmal, danach aus dem Cache).

Eingabe

ein einzelnes PDF; verschlüsselte Dateien melden „PDF konnte nicht geöffnet werden, die Datei ist eventuell beschädigt oder verschlüsselt“ – vorher mit „PDF entsperren“ das Kennwort entfernen

Laufzeit

Jede Seite wird mit 300 dpi gerendert (längste Kante höchstens 4.500 Pixel) und dann erkannt; bei Dutzenden Seiten können Minuten zusammenkommen, pro Durchgang besser unter 50 Seiten bleiben und vorher „PDF teilen“

Textebene

Eingebettet werden nur Wörter mit mindestens 20 % Konfidenz; zu kleine oder als Rauschen gewertete Wörter entfallen; seltene Zeichen, die sich nicht kodieren lassen, zählen als „übersprungen“ und tauchen im Abschlusshinweis auf; Auswahlbereiche liegen ungefähr auf dem Original, nicht pixelgenau

Treue

Das DOCX enthält nur die erkannten Absätze (einheitliche Schriftgröße, Seitenumbrüche zwischen den Seiten), keine Bilder, Tabellen oder Layouts; die Seitenbilder des durchsuchbaren PDFs sind neu gerenderte JPEGs

Was es nicht macht

Schrägstellung und Schatten nicht korrigieren (Fotos vorher mit „Scan verbessern“ behandeln), nicht übersetzen, Tabellen nicht strukturieren; PDFs mit Textebene gehören zu „PDF zu Word“ oder „PDF-Text extrahieren“

Rendern und Texterkennung laufen vollständig im Browser; Seiteninhalte werden nicht hochgeladen. Engine und die Sprachpakete für Chinesisch/Englisch liefert diese Seite selbst aus und lädt sie beim ersten Mal nach; die Pakete für traditionelles Chinesisch und Japanisch kommen vom öffentlichen Standard-CDN von tesseract.js. Für das durchsuchbare PDF wird beim ersten Mal die Schrift Noto Sans SC (rund 10 MB) von dieser Seite geladen und zwischengespeichert. Alle diese Anfragen betreffen nur Engine, Sprachpakete und Schriftdateien – nicht dein Dokument.