Ich habe voller Freude die Kunde von OCRmyPDF vernommen - eine Lösung, gescannte PDFs mit einer durchsuchbaren Textlage zu kombinieren. Leider muß ich nach meinen Tests zur Vorsicht raten...

Ich habe das Paket wie in diesem Artikel beschrieben installiert. Dabei traten keine Probleme auf - das machte mich zuversichtlich. Die probeweise Verarbeitung eines englischsprachigen Texts war auch sehr vertrauenerweckend.

Aber der deutsche Test zeigte die Grenzen der Lösung: Ich suchte mir im Netz der Netze eine gescannte TIFF-Datei, wandelte diese in ein A4-PDF um und ließ die Lösung darauf los. Ergebnis: die Erkennung war nicht hundertprozentig zuverlässig: nicht jedes Vorkommen des Suchbegriffes wurde entdeckt. Das läßt sich auch sehr gut an den folgenden beiden Screenshots nachvollziehen: links das PDF im Betrachter, rechts das PDF im Betrachter: das problematische Wort wurde selektiert, dadurch wird die normalerweise unsichtbare Textlage sichtbar und man sieht, daß die Erkennung hier fehlerhaft war.

Der Vollständigkeit halber sei noch hinzugefügt, daß auch das Vergrößern des Dokuments auf A3 bei der Erzeugung keine Verbesserung brachte - jetzt wurden mit dem gleichen Testfall (Suche nach gemäß) sogar noch zwei Soll-Fundstellen weniger gefunden. Auch die Optionen -c und -d halfen nicht wesentlich weiter - im Vergleich zu A4 wurde nun nur noch eine Soll-Fundstelle weniger gefunden. Das zeigt aber auch, daß man diese beiden unbedingt benutzen sollte, auch wenn sich die Verarbeitungszeit dadurch nochmals verlängert.

Noch ein Tip: Rechner mit mehreren Kernen profitieren von diesen bei der Benutzung von OCRmyPDF nur, wenn das Werkzeug mehrfach nebeneinanderher gestartet wird. Das Werkzeug an sich benutzt nur einen Kern.

Fazit: Schönes Werkzeug, allerdings sollte man sich nicht darauf verlassen, daß wirklich alle Auftreten des gesuchten Begriffs gefunden werden.