Automatische Texterkennung mit Kofax Power PDF

Hier eine Anleitung zum Thema OCR in Kofax/Tungsten Power PDF. Hintergrund ist: Ich habe im heutigen Seminar einen Teilnehmenden gebeten, mir doch einen gescannten Text als PDF zu geben. Die Pause war kurz, denn ich hatte auch noch Telefonate zu erledigen. Und so dachte ich mir, das spart mir Zeit. Nun ja, ich hätte es womöglich besser wissen können, denn die automatische Texterkennung (OCR) in Kofax Power PDF sorgt leider oft für Verwirrung, weil der zentrale Befehl „Durchsuchbares PDF erstellen“ wirklich nur erscheint, wenn ein Dokument als reines Scan‑PDF erkannt wird. Wird ein PDF hingegen als bereits textbasiert eingestuft, fehlt diese Option – selbst dann, wenn faktisch keine brauchbare Textebene vorhanden ist.

Typische Ursachen dafür sind versteckte Metadaten, fehlerhafte oder leere Textebenen sowie Hybrid‑Dateien aus Multifunktionsgeräten. Oder der Teilnehmende hatte mit dieser Datei schon erfolglos zig Dinge probiert und so sind diese "Störfaktoren" entstanden. Wichtig ist daher, Power PDF gezielt dazu zu bringen, das Dokument als (reinen) Scan zu behandeln. Dies gelingt etwa durch Aktivieren der automatischen Scan‑Erkennung oder durch technische Umwege wie Entfernen vorhandener Textebenen, Speichern im "PDF/A" Format (also als Archiv-PDF) oder sogar Neuerzeugen über den sog. "Kofax PDF‑Drucker".

Sobald das Dokument korrekt erkannt wird, lässt sich die OCR starten und eine durchsuchbare bzw. bearbeitbare Textebene erzeugen. Je nach gewählter Option bleibt das Originalbild erhalten oder wird durch strukturierten Text ersetzt, der anschließend weiterverarbeitet werden kann.