(Bild-)PDF nach Text durechsuchen

[halwe]

Hallo in die Runde,
ich erhalte öfter pdf-Dateien als "Bilddatei" in schlechter Quali, die ich durchsuchen will. Da habe ich zum Beispiel eine Datei mit 100 Seiten, Tabellen, Schwarz-weiß Bilder, 6 MB groß (hätte ich die Datei selbst erzeugt, hätte sie mit diesem Textumfang wahrscheinlich weniger als 1 MB).
Um sie zu durchsuchen verwendet ich eine OCR Umwandlung, entweder Readiris oder Paperport (kam mit meinem Brother Drucker). In beiden Programmen dauert das OCR eine ganze Weile (5 min) und erzeugt anschließend recht große Dateien (Faktor 3 also hier 16-19 MB).

Nun meine Fragen:
1. Warum werden die Dateien so groß, wo ich doch nur Text hinzufüge. Ich habe den Eindruck, dass beide Programme die Dateien neu rendern, was ja eigentlich unnötig ist. Gibt es OCR-Programme, die das vermeiden?
2. Vielleicht geht es auch einfacher: Gibt es pdf-Reader, die auch bei Bild-pdf-Dateien direkt eine Suche ermöglichen? Also quasi mit On-The-Fly-Ocr?

Danke für euer Mitdenken im Voraus.

 

[Toms]

Vielleicht geht es auch einfacher: Gibt es pdf-Reader, die auch bei Bild-pdf-Dateien direkt eine Suche ermöglichen? Also quasi mit On-The-Fly-Ocr?

Falls du macOS zur Verfügung hast, die Vorschau-App kann das. Also generell Bilder durchsuchen. Habe sogar mal mit Swift ein Script geschrieben, was genau diese OS-Funktionalität genutzt hat, Bilder mit Text im Batch zu verarbeiten und die Texte zu extrahieren. Geht auch super schnell.

https://github.com/tomasfreres/pdf-ocr-text-extractor

 

[JumpingCat]

On-The-Fly-Ocr

Das ist zu CPU / GPU lastig.

Warum werden die Dateien so groß, wo ich doch nur Text hinzufüge

Weil wohl die Software wohl ungeschickt ist. Eigentlich wird da nur ein Textlayer angehängt.

Paperless-ngx ist keine Lösung für dich?

 

[cumulonimbus8]

Rein aus Neugier: eine Bild-PDF wird per OCR zu einer Text-PDF die man dann durchsuchen kann, korrekt?
Warum denn von PDF zu PDF und nicht in irgendwas was man auch durchsuchen könnte?
CN8

 

[Moep89]

Also wenn ich mit Acrobat gescannte Dokumente in durchsuchbare Bilder umwandle, dann verändert sich die Größe meist nicht nennenswert oder sinkt sogar. Dauert pro Seite so ca. 2-4 Sekunden.

 

[dermoritz]

unter Windows können das die Powertoys - zumindest für einen gewählten Ausschnitt - bei vielen Seiten eventuell mühsehlig.

chatgpt kann das auch - zumindest bei Bildern. pdf geht bestimmt auch?!

 

[Thorakon]

Rein aus Neugier: eine Bild-PDF wird per OCR zu einer Text-PDF die man dann durchsuchen kann, korrekt?

Nein, normal wird eine unsichtbare Schrift über das Bild gelegt, die kann man dann durchsuchen oder mit der Maus markieren. Das ist gerade bei schlechten Vorlagen (wie hier) sehr sinnvoll, denn so kannst du als Mensch nochmal die Fehl-Erkennungen nachschlagen. Wenn du aber z.B. eine Umwandlung zum Word-Dokument beauftragst, wird das Originalbild normal gelöscht. Viele OCR Programme können auch keine Tabellen erkennen, wenn du da nur den Text untereinander statt nebeneinander hast geht plötzlich jede Menge Bedeutung verloren.

 

[halwe]

Hallo zusammen. Danke für die Rückmeldungen. Leider scheint es weder zu Punkt 1 noch zu Punkt 2 eine klare Lösung zu geben. Oder ich bin auf eine "CB-Erfahrungslücke" gestoßen.
Zu den Nebenvorschlägen:
Paperless-ngx ist eine Lösung für ein anderes Problem. In meinem Workflow sind durchsuchbare pdfs das Mittel der Wahl und der Prozess lässt sich anscheinend nur begrenzt optimieren.
ChatGPT meckert, das ihm die Datei zu groß bzw. zu komplex sei.

 

[cumulonimbus8]

@Thorakon
Danke für die Erklärung.
Ich war allerdings auf das Warum und Wie der Handhabung aus. Motto: ›geht vielleicht auch anders besser?‹.
CN8

 

[Thorakon]

Paperless-ngx ist eine Lösung für ein anderes Problem. In meinem Workflow sind durchsuchbare pdfs das Mittel der Wahl und der Prozess lässt sich anscheinend nur begrenzt optimieren.

Ich denke das Prinzip von paperless-ngx basiert durchaus auf durchsuchbaren pdfs, aber es kann halt noch viel mehr und ist hier vermutlich "overkill".

Ansonsten haben -glaube ich- die meisten von uns noch nie groß über die Dateigröße ihres OCR Programms nachgedacht. Ich habe verschiedene in Benutzung, aber als Privatanwender war Speicherplatz für mich bisher kein Thema, darum achte ich nicht so auf die Größe, schon gar nicht so, dass ich statistisch aussagekräftige Aussagen machen könnte. Ich scanne auch in hoher Qualität, und damit sind meine Erfahrungen nicht mit deinen vergleichbar.
Wenn du eine Testdatei ohne sensible Daten hättest, könnten wir es vielleicht ausprobieren. Sonst musst du halt selbst testen, ein Software-Vorschlag von mir wäre NAPS2 (=FOSS).

PS: Was passiert, wenn du alles auf einer Seite (oder im ganzen Dokument) mit der Maus markierst und dann z.B. in Word kopierst? Kommt da nur Text, oder macht er vielleicht aus der Rand der Tabelle tausende Sonderzeichen?

PPS: 6 MB in deiner Ursprungsdatei, wenn das wirklich Scans sind, ist schon recht klein. Vielleicht ist da eine Bildkomprimierungsoption beim Ersteller gesetzt worden, die hinterher verloren geht. Leider ist pdf ein sehr komplexes Format, und ich bin kein Profi darin, also etwas spekulativ.

 

[Moep89]

Hallo zusammen. Danke für die Rückmeldungen. Leider scheint es weder zu Punkt 1 noch zu Punkt 2 eine klare Lösung zu geben. Oder ich bin auf eine "CB-Erfahrungslücke" gestoßen.

Naja, wie ich schrieb, wird bei mir kein PDF plötzlich groß.

On-the-fly wird das nicht gehen, weil dafür ja zwingend das gesamte Dokument durchsuchbaren Text braucht. Der Schritt der Umwandlung muss also trotzdem erfolgen, was das Prozedere dann sinnlos macht. Dann kann man es auch gleich normal ausführen und speichern. Dann kann man die Durchsuchung jederzeit wieder ausführen ohne erneut umzuwandeln.

Ich bin mit Acrobat in dieser Hinsicht recht zufrieden. Ob andere Programme das noch schneller machen, oder ob meine Hardware da begerenzt, das weiß ich natürlich nicht.

 

[halwe]

@Thorakon: Bei mir spielen pdfs eine breite Rolle, egal ob dienstlich Gesetzestexte oder privat gescannte Dokumente. Und einige davon liegen eben nicht als durchsuchbare Dateien vor. Das macht es mir unmöglich, z. B. in Verzeichnisbäumen nach Textstellen zu suchen. "Durchsuchbar" brauche ich auch, um sauber Links auf einzelne Textstellen von pdfs zeigen zu lassen. Mein Worflow ist voll mit Direktverweisen auf pdf-Dateien, egal ob Gesetzeszitat oder Teilpositionen einer Rechnung oder hilfreicher Tipp aus einer eingescannten Bedienungsanleitung. Mein DMS heißt Windows Explorer.
Aber ja, die naheliegendste Lösung ist sicher, die Dateigröße zu ignorieren. Readiris 22 hat es allerdings letztens sogar geschafft, meine 6 MB Datei (103 Seiten, komplexe Tabellenstruktur, 300 dpi s/w) auf 102 MB aufzublähen, nur um sie durchsuchbar zu machen. Ein probeweise Umwandlung in Word zeigte dann auch, dass das Programm mit der Struktur total überfordert war.
Interessant ist es bei meinem Paperport-Programm und dem Brother Sanner: Wenn ich dort mit Texterkennung scanne, liegt der durchsuchbare sw-Scan (300 dpi) meist bei unter 50 kB / Seite. Das ocr läuft beim Scannen on-the-fly, ich merke praktisch kaum eine Verzögerung. Die Quali ist völlig ausreichend und das Durchsuchen funktioniert perfekt. Habe ich aber ohne ocr gescannt, liefert das gleiche Programm beim nachträglichen OCR eine Datei von mind. 200 kB/Seite.
Hier ist der Punkt, wo ich denke, das geht besser und wenn jemand ein Programm kennt, dass pdf-Dateien mit weniger als 100 % Aufschlag von Bild zu Bild+Text umwandelt, egal welches Bildformat in die pdf eingebettet ist, würde mich das interessieren.

On-the-fly wird das nicht gehen, weil dafür ja zwingend das gesamte Dokument durchsuchbaren Text braucht. Der Schritt der Umwandlung muss also trotzdem erfolgen, was das Prozedere dann sinnlos macht. Dann kann man es auch gleich normal ausführen und speichern. Dann kann man die Durchsuchung jederzeit wieder ausführen ohne erneut umzuwandeln.

Nicht jedes Dokument brauche ich öfter, das vorab Erzeugen einer durchsuchbaren Version ist nicht immer sinnvoll. Im Gegenteil, eigentlich ist das vorsorgliche OCR ja nur eine Hilfskonstruktion, weil die PCs zu langsam für On-The-Fly-OCR sind. Ich hatte bei aktuellen Prozessoren mit Grafikprozessor und NPU gehofft, dass ein vorsorgliches OCR langsam unnötig wird.

 

[Moep89]

Nicht jedes Dokument brauche ich öfter, das vorab Erzeugen einer durchsuchbaren Version ist nicht immer sinnvoll.

Du musst es ja nicht speichern. Du kannst es auch einfach durchsuchbar machen und anschließend ungespeichert schließen.

Und wie geschrieben, gibt es auch gar kein "On-the-fly", weil für jeden Suchvorang eben der gesamte Text vorliegen muss. Die entsprechende Erkennung erfolgt also definitiv immer. Wie man das nennen will, ist da egal. Ob die Erkennung nun erfolgt wenn du das Suchfeld öffnest, oder wenn du einen Button drückst, ist nur ein Unterschied von einem Klick. Der Vorgang dahinter bleibt exakt derselbe.