Um ein gescanntes PDF in Markdown umzuwandeln, fügen Sie es in MD Factory hinzu. Die App findet die Seiten, die nur Bilder von Text sind, erkennt den Text mit der integrierten OCR auf Ihrem PC und speichert eine Markdown-Datei neben dem PDF.
OCR bewältigt saubere gedruckte Seiten gut, macht aber bei verblassten, schiefen oder handschriftlichen Seiten Fehler. Prüfen Sie das Ergebnis daher anhand des Scans. Die folgenden Abschnitte behandeln, was sich von einem gewöhnlichen PDF unterscheidet: die OCR-Sprache, den Status „Überprüfung erforderlich“, Tabellen, Handschrift und Scannereinstellungen.
Gescanntes PDF umwandeln
- Öffnen Sie MD Factory.
- Klicken Sie auf „Dateien hinzufügen“ und wählen Sie das PDF aus, oder ziehen Sie es in das Fenster. Um einen ganzen Ordner mit Scans samt Unterordnern umzuwandeln, klicken Sie auf „Ordner hinzufügen“.
- Die Umwandlung beginnt sofort. Beim ersten PDF steht in der Zeile zunächst „Laden der PDF-Engine“, bevor die Seiten verarbeitet werden.
- Warten Sie, bis die Zeile das Ergebnis zeigt: „Abgeschlossen“, „Überprüfung erforderlich“ oder „Fehlgeschlagen“.
- Doppelklicken Sie in der Zeile auf den Ergebnispfad, um die Markdown-Datei zu öffnen.
Die Markdown-Datei erhält den Namen des PDFs und wird im selben Ordner gespeichert. Enthalten die Seiten Bilder, etwa Fotos oder Diagramme, landen diese in einem Ordner daneben. Das PDF selbst wird nicht verändert.
Scans/
lease-agreement.pdf
lease-agreement.md
lease-agreement_images/PDFs werden nacheinander umgewandelt, während andere Dokumenttypen in der Warteschlange parallel dazu laufen. Die App liest nur Dateien auf lokalen Laufwerken. Speichert Ihr Scanner in einen Netzwerkordner, kopieren Sie die PDFs zuerst auf Ihren PC.
Woran die App erkennt, dass eine Seite OCR braucht
Eine Seite braucht OCR, wenn ihr Text nur als Bild vorliegt. MD Factory prüft jedes PDF auf markierbaren Text und wählt einen von zwei Wegen:
- Hat keine Seite markierbaren Text, wird die ganze Datei als Scan behandelt, und jede Seite wird als Ganzes per OCR erkannt.
- Haben einzelne Seiten Text, behält die App diesen unverändert und führt OCR nur dort aus, wo Text als Bild vorliegt, etwa bei einer gescannten Seite in einem getippten Bericht.
Ein gemischtes PDF braucht keine Vorbereitung. In unserem Test ergab eine dreiseitige Datei mit getippter erster und letzter Seite und gescannter mittlerer Seite eine einzige Markdown-Datei mit dem Text aller drei Seiten.
MD Factory nimmt Scans nur als PDF-Dateien an. Bilddateien wie JPG, PNG oder TIFF werden als übersprungen aufgeführt. Stellen Sie Ihre Scanner-App daher auf PDF um.
Hat Ihr PDF durchgehend markierbaren Text, spielt OCR keine Rolle. Diese Dateien behandelt die Anleitung zum Umwandeln von PDF in Markdown .
OCR-Sprache wählen
Jedes PDF beginnt mit der OCR-Sprache „Auto (Skripterkennung)“. In diesem Modus ermittelt die App, welche Schrift jede Seite verwendet, etwa Lateinisch, Kyrillisch, Griechisch oder Arabisch, und liest die Seite mit einem Modell für diese Schrift. In unseren Tests mit sauberen Testseiten bei 300 dpi und 12-Punkt-Text las Auto eine englische Seite fehlerfrei und eine russische mit weniger als einem falschen Zeichen pro hundert.
Eine Sprache wählen Sie, wenn ein PDF mit „Überprüfung erforderlich“ oder „Fehlgeschlagen“ endet:
- Klicken Sie nach Abschluss der Warteschlange in der Zeile der Datei auf den Status. Es öffnet sich ein Fenster mit der Liste der gefundenen Probleme.
- Öffnen Sie die Liste „OCR-Sprache“ und wählen Sie die Sprache des Dokuments.
- Klicken Sie auf „Wiederholen“.
Die Sprache lässt sich nicht im Voraus einstellen. Jedes neue PDF beginnt mit Auto, und die zuletzt gewählte Sprache ist beim nächsten Wiederholen vorausgewählt.
Zwei Sprachen auf einer Seite funktionieren in Auto, wenn sie dieselbe Schrift verwenden, etwa Englisch und Deutsch.
Unterscheiden sich die Schriften, liest Auto die ganze Seite als eine davon. Bei den meisten Schriften deckt dieses Modell auch Englisch ab, sodass englische Begriffe auf einer griechischen oder arabischen Seite meist erkannt werden. Kyrillisch ist die Ausnahme: In unserem Test erhielt eine Seite mit englischem und russischem Text „Überprüfung erforderlich“. Wiederholen Sie mit der Hauptsprache der Seite und prüfen Sie dann die Wörter in der anderen Schrift anhand des Scans.
Was „Überprüfung erforderlich“ bei einem Scan bedeutet
„Überprüfung erforderlich“ bedeutet, dass die App die Markdown-Datei gespeichert, aber ein Problem gefunden hat, das Sie prüfen sollten. Bei Scans zeigt das Fenster, das sich über den Status öffnet, meist eine dieser Meldungen, mit der Seitenzahl in Klammern:
| Meldung | Was passiert ist | Was zu tun ist |
|---|---|---|
| OCR konnte einen Teil dieses Dokuments nicht lesen. Wählen Sie eine Sprache und versuchen Sie es erneut. | Die erkannten Wörter auf dieser Seite haben eine durchschnittliche Sicherheit unter 75 %, oder ein Teil der Seite konnte nicht gelesen werden. | Wählen Sie die Sprache des Dokuments und wiederholen Sie den Vorgang. Stimmt die Sprache bereits, vergleichen Sie die Seite mit dem Scan oder scannen Sie sie neu. |
| Eine Seite enthält keinen extrahierten Text. Vergleichen Sie sie mit der Quelle. | Auf dieser Seite wurde nichts erkannt. Leere Seiten erhalten ebenfalls diese Meldung. | Sehen Sie sich die Seite im PDF an. Enthält sie Text, scannen Sie sie deutlicher neu. |
Liefert keine Seite Text, wird die Datei als „Fehlgeschlagen“ markiert, und das Fenster schlägt vor, mit einer ausdrücklich gewählten OCR-Sprache zu wiederholen.
„Abgeschlossen“ bedeutet nicht, dass jedes Zeichen stimmt. Die Prüfung betrachtet den Durchschnitt einer ganzen Seite, sodass ein einzelnes falsch gelesenes Zeichen auf einer ansonsten sauberen Seite sie nicht auslöst. Auf der oben erwähnten sauberen russischen Testseite wurde aus der Zahl 1248 die Zeichenfolge 124 %.
Vergleichen Sie vor der Verwendung des Textes jede Zahl, die Sie nutzen wollen, mit dem Scan: Namen, Daten, Beträge sowie Konto- und Ausweisnummern.
Schiefe, verrauschte und verblasste Seiten
Eine leichte Schräglage und einige Flecken sind kein Problem. In unseren Tests wurde eine um etwa ein Grad geneigte, leicht unscharfe und mit feinen Flecken übersäte Testseite als „Abgeschlossen“ umgewandelt.
Ein schlechter Scan wird markiert. Eine unscharfe, kontrastarme Seite, die mit niedriger Auflösung gescannt und um 3,5 Grad geneigt war, erhielt „Überprüfung erforderlich“.
Drehen Sie Seiten, die seitlich oder auf dem Kopf liegen, vor dem Umwandeln in Ihrer Scanner-App oder Ihrem PDF-Editor. Erhält eine Seite „Überprüfung erforderlich“ wegen ihrer Qualität statt wegen der Sprache, scannen Sie sie mit den folgenden Einstellungen neu.
Tabellen auf gescannten Seiten
MD Factory sucht auch auf gescannten Seiten nach Tabellen und schreibt sie als Markdown-Tabellen. Jede Zelle ist weiterhin OCR-Text, und eine Tabelle verbirgt Fehler gut: Eine falsche Ziffer in einer Zahlenspalte wirkt so plausibel wie eine richtige.
Vergleichen Sie die Tabelle Zeile für Zeile mit dem Scan. Addieren Sie eine Spalte und prüfen Sie das Ergebnis gegen die gedruckte Summe. Sind Werte in die falsche Zeile oder Spalte gerutscht, korrigieren Sie sie in der Markdown-Datei. Die PDF-Anleitung enthält ein Beispiel für die Wiederherstellung einer Tabelle, die ihre Zeilen verloren hat.
Handschrift
MD Factory erkennt gedruckten und getippten Text. Für Handschrift ist es nicht gemacht: handschriftliche Notizen, Randbemerkungen und ausgefüllte Formularfelder können unleserlich ausfallen oder fehlen.
Verlassen Sie sich bei allem Handgeschriebenen nicht auf den umgewandelten Text. Behalten Sie den Scan als Referenz und tippen Sie diese Stellen selbst ab.
So scannen Sie für bessere OCR
Die Erkennungsqualität hängt vom Bild ab. Der Tesseract-Leitfaden zur Verbesserung der OCR-Qualität nennt, was ein Bild schwer lesbar macht, und für das Scannen läuft es auf fünf Punkte hinaus:
- Scannen Sie mit mindestens 300 dpi. Laut Leitfaden funktioniert die Erkennung am besten bei einer Auflösung von mindestens 300 dpi.
- Legen Sie die Seite gerade auf das Glas. Eine schiefe Seite erschwert es erheblich, die Textzeilen zu erfassen.
- Sorgen Sie für gleichmäßiges Licht, besonders wenn Sie Seiten mit dem Handy fotografieren. Schatten und ein ungleichmäßig dunkler Hintergrund erschweren die Unterscheidung von Text und Papier.
- Schließen Sie den Scannerdeckel oder beschneiden Sie die Ränder. Dunkle Ränder um eine gescannte Seite können als zusätzliche Zeichen gelesen werden.
- Nehmen Sie die sauberste Vorlage, die Sie haben. Flecken und anderes Rauschen verringern die Genauigkeit.
Speichern Sie jedes Dokument als eigenes PDF. MD Factory erstellt pro PDF eine Markdown-Datei, sodass ein Stapel unzusammenhängender Papiere, der in eine Datei gescannt wurde, zu einer langen Notiz wird.
Ausweise, Verträge und Patientenunterlagen
Scans sind oft persönlich: Reisepässe, Verträge, Kontoauszüge, Patientenunterlagen. MD Factory erkennt sie auf Ihrem PC und lädt weder das PDF noch den erkannten Text hoch.
Die Markdown-Datei wird neben dem Scan gespeichert. Text, der in einem Bild eingeschlossen war, ist jetzt einfacher Text, den jeder mit Zugriff auf den Ordner lesen und durchsuchen kann. Wird dieser Ordner mit OneDrive oder einem anderen Cloud-Dienst synchronisiert, wird auch die Markdown-Datei synchronisiert. Unsere Anleitung zum Umwandeln von Dokumenten ohne Hochladen zeigt, wie Sie prüfen, wo ein Ordner gespeichert ist.
Bei juristischen, medizinischen und finanziellen Dokumenten bleibt der Scan das Original. Behandeln Sie die Markdown-Datei als Arbeitskopie und prüfen Sie jede Zahl anhand des Scans, bevor Sie danach handeln. Löschen Sie die Markdown-Datei und ihren Bilderordner, wenn Sie sie nicht mehr brauchen.