Scan-PDF vs. Text-PDF: Warum manche Dokumente konvertiert werden und andere nichts liefern
Die häufigste Support-Frage zur PDF-Konvertierung ist eine Variante von „Ich habe meine PDF hineingezogen und eine leere Datei zurückerhalten.“ In fast allen Fällen ist die PDF ein Scan: Fotos von Seiten in einem PDF-Container, ohne ein einziges Zeichen darin.
Dieser Artikel erklärt die beiden PDF-Arten, einen Zwei-Sekunden-Test, mit dem Sie erkennen, welche Sie vor sich haben, warum das Fehlen von OCR in einem Konverter eine Design-Entscheidung ist und keine Lücke, und den genauen Workflow, mit dem ein gescanntes Dokument trotzdem zu Markdown wird.
Jede PDF gehört zu einer von zwei Arten
Eine textbasierte PDF besitzt eine Textebene: Zeichen, die als Zeichencodes mit Schrift- und Positionsinformationen gespeichert sind, so wie ein Textverarbeitungsprogramm sie ausgeben würde. Dokumente, die aus Word, LibreOffice, Google Docs, LaTeX oder den meisten Reporting-Programmen exportiert wurden, sind textbasiert, auch wenn sie zusätzlich Bilder enthalten.
Eine reine Bild-PDF ist eine Abfolge von Seitenfotos, verpackt im PDF-Format. Scanner erzeugen sie, ebenso Scan-Apps auf dem Telefon, Fax-zu-E-Mail-Gateways und die Kopierer, die Dokumente an die eigene E-Mail-Adresse schicken. Die Pixel sind alles, was vorhanden ist; Zeichen gibt es darin keine.
Die Verwechslung ist verständlich, denn mit bloßem Auge sind beide nicht zu unterscheiden. Eine gescannte PDF öffnet sich im Reader, zeigt scharfen Text, lässt sich zoomen — und enthält keinen einzigen Zeichencode. Der Text, den Sie sehen, ist ein Bild von Text.
Der Zwei-Sekunden-Test
Öffnen Sie die PDF in einem beliebigen Reader und versuchen Sie, einen Satz mit der Maus zu markieren. Wenn die Markierung Wörter hervorhebt und Sie sie in einen Texteditor kopieren können und echten Text zurückerhalten, ist die PDF textbasiert und jeder Konverter kann sie lesen.
Wenn Klicken und Ziehen stattdessen einen rechteckigen Auswahlrahmen wie bei einem Screenshot zeichnet, statt Text zu markieren, ist die PDF ein Scan. Nichts ist markierbar, weil nichts Markierbares existiert. Der Kopieren-Befehl liefert aus demselben Grund nichts.
Die Dateigröße ist ein grobes sekundäres Signal: Eine zehnseitige Text-PDF liegt oft unter einem Megabyte, ein zehnseitiger Scan mit 300 dpi oft bei mehreren zehn Megabyte. Entscheidend ist aber der Markierungstest — die Größe schwankt zu stark mit der Bildkompression, um ihr allein zu vertrauen.
Warum kein Konverter OCR überspringen kann
Ein Konverter liest, was die Datei enthält. Bei einer textbasierten PDF sind das Zeichencodes, die sich sauber auf Markdown-Text abbilden lassen. Bei einer reinen Bild-PDF sind es Pixel, und Pixel sind in keinem Sinne Text, den ein Markdown-Writer ausgeben könnte.
Diese Lücke zu überbrücken erfordert optische Zeichenerkennung: ein Modell, das das Bild jedes Glyphen betrachtet und rät, welches Zeichen es darstellt. OCR ist ein großes, hochspezialisiertes Gebiet — pro Schrift abgestimmte Modelle, Layoutanalyse, Konfidenzbewertung — und ein mittelmäßiges OCR-Modul im Konverter erzeugt Text, der plausibel aussieht und genau an den Stellen falsch ist, auf die es ankommt: Zahlen, Namen und juristische Begriffe.
Deshalb liest der Konverter dieser Website Textebenen und lehnt es ab, Pixel zu erraten: Er nennt Ihnen die Seiten ohne extrahierbaren Text, statt ein selbstsicher wirkendes Dokument voller Erkennungsfehler auszuhändigen. Ein falsches Dokument ist teurer als eine Verweigerung.
Was OCR tatsächlich tut — und wo es scheitert
OCR-Software zerlegt ein Seitenbild in Zeilen und Wörter, klassifiziert die Zeichen jedes Wortes und schreibt eine neue, textbasierte PDF oder reinen Text — oft bleibt das Originalbild zur Anzeige erhalten und der erkannte Text liegt unsichtbar darüber. Desktop-Werkzeuge wie die OCR-Funktion von Adobe Acrobat oder das quelloffene, auf Tesseract aufbauende ocrmypdf beherrschen das gut.
Die Fehlermuster sind über alle Engines hinweg konstant. Visuell verwechselbare Glyphen — großes I, kleines l, Ziffer 1 — werden falsch klassifiziert, ohne dass die Rechtschreibprüfung es bemerkt. Bei niedrig aufgelösten Scans, schiefen Seiten, blassen Kopien und Handschrift sinkt die Erkennungsqualität. Und Tabellen sind wieder der schlimmste Fall: OCR liest Zellentext in Lesereihenfolge, rekonstruiert aber keinerlei Raster.
Auch die Sprache spielt eine Rolle: Erkennungsmodelle sind schriftspezifisch, und mehrsprachige Dokumente verlieren bei der Minderheitensprache an Qualität. Das alles macht OCR nicht nutzlos; es macht die OCR-Ausgabe zu einem Entwurf, der dieselbe sorgfältige Prüfung verdient, die Sie einer konvertierten Tabelle angedeihen lassen.
Warum dieses Tool nicht rät
Trifft der Konverter auf eine Seite ohne Textebene, gibt er weder Datenmüll zurück noch einfach gar nichts — er sagt es Ihnen. Das Konvertierungsergebnis enthält eine Warnung mit den Seitenzahlen, die offenbar OCR benötigen, und wenn das gesamte Dokument keinen Text enthält, sagt die Fehlermeldung das unmissverständlich.
Das ist der ehrliche Vertrag eines lokalen Werkzeugs: präzise darüber, was es gelesen hat, ausdrücklich darüber, was es nicht lesen konnte. Die Alternative — stille Teilausgabe — ist der Weg, auf dem ein fehlendes Kapitel veröffentlicht oder ein nicht unterschriebener Vertrag als vollständig abgelegt wird.
Das Design hält das Tool außerdem klein und schnell. OCR-Modelle für auch nur eine Schrift würden die Parsing-Engine selbst in den Schatten stellen, und sie im Browser auszuliefern würde die Downloadgröße vervielfachen — für eine Fähigkeit, die Desktop-Software ohnehin besser beherrscht.
Gescannte PDFs zuerst reparieren
Der Workflow für gescannte Dokumente lautet: erst OCR, dann Konvertierung. Lassen Sie die Datei durch die OCR-Software Ihrer Wahl laufen — die eingebaute Erkennung von Acrobat, ocrmypdf auf der Kommandozeile oder den Export einer Telefon-App mit aktivierter Erkennung — und Sie erhalten eine durchsuchbare PDF mit Textebene.
Konvertieren Sie anschließend dieses Ergebnis. Konvertierungs- und Erkennungsschritt haben unabhängige Qualität, und sie als getrennte, prüfbare Stufen zu belassen bedeutet, dass Sie das OCR-Ergebnis in einem Texteditor verifizieren können, bevor irgendetwas Nachgelagertes es verarbeitet.
Eine Warnung noch: Wählen Sie OCR-Einstellungen, die das originale Seitenbild behalten und die Textebene hinzufügen, statt die Seiten neu zu rendern, damit die durchsuchbare PDF dem Scan treu bleibt. Danach gelten die üblichen Hinweise zur Konvertierungsqualität, mit einem Zusatz — OCR-verarbeitete Tabellen brauchen dieselbe Stichprobenkontrolle wie jede konvertierte Tabelle, doppelt so sehr, weil sich Erkennungs- und Strukturfehler gegenseitig verstärken können.
Gemischte PDFs: das Teilergebnis
Dokumente aus der realen Welt sind oft Hybriden: ein textbasierter Bericht mit einer gescannten Unterschriftsseite, ein Vertrag mit fotokopiertem Anhang, ein Paper mit eingebetteten gescannten Abbildungen. Die Konvertierung behandelt sie Seite für Seite — Textseiten werden konvertiert, Bildseiten liefern nichts und werden in den Warnungen vermerkt.
Lesen Sie die Warnliste, bevor Sie die Ausgabe lesen. Sie sagt Ihnen genau, welche Teile des Dokuments fehlen, sodass das Teilergebnis mit separat OCR-verarbeiteten Seiten zusammengeführt werden kann, statt für das ganze Dokument gehalten zu werden.
Dieser Hybridfall ist das stärkste Argument für das warnungsbasierte Design: Das Tool entscheidet nicht für Sie, ob achtzig Prozent eines Dokuments genug sind. Es meldet die Grenze präzise und lässt das Urteil — und den OCR-Schritt — dort, wo sie hingehören: bei Ihnen.