Een gescande PDF ocr'en en er bewerkbare tekst van maken

Een gescande PDF is een verzameling foto's in een PDF-container. Er zit geen tekst in, alleen pixels: je kunt geen zin selecteren, geen naam zoeken en geen alinea kopiëren. OCR lost dat op: het kijkt naar de vormen op elke pagina en bouwt de letters opnieuw op.

Het korte antwoord

• Open Gescande PDF naar tekst (OCR), laad de PDF en kies de taal van het document.
• Pagina's die al een tekstlaag hebben, worden direct gelezen; alleen afbeeldingspagina's gaan door de OCR.
• Download het resultaat als TXT en controleer het voordat je het verstuurt.

De herkenning draait in je browser. De PDF wordt niet geüpload, wat belangrijk is bij een contract, een medisch rapport of een factuur.

Gescand of digitaal? Controleer het eerst

Niet elke PDF heeft OCR nodig. Open het bestand en probeer een woord met de muis te selecteren. Als de tekst normaal wordt gemarkeerd, heeft het document al een tekstlaag en kun je die exact extraheren met PDF naar TXT. Dat is sneller en voorkomt herkenningsfouten.

Kun je niets selecteren, of is de selectie een blauwe rechthoek over de hele pagina, dan is die pagina een afbeelding. Dan is OCR het juiste gereedschap.

Er bestaan ook gemengde documenten: een contract met digitale voorwaarden en gescande handtekeningen, of een rapport met een tekstomslag en gefotografeerde bijlagen. Een goede OCR-tool behandelt elke pagina apart in plaats van het hele bestand door de herkenning te sturen.

Stap voor stap

• Laad de PDF. Sleep hem naar Gescande PDF naar tekst (OCR) of klik om te bladeren. Het bestand wordt lokaal geopend.
• Kies de taal. Selecteer de taal van de tekst in het document, niet die van je browser. Engels wordt automatisch toegevoegd zodat gemengde pagina's blijven werken.
• Start de conversie. Digitale pagina's verschijnen bijna meteen. Gescande pagina's kosten een paar seconden per stuk; bij de eerste keer worden ook de taalgegevens gedownload.
• Controleer de tekst. Lees hem naast het origineel, te beginnen met namen, cijfers en datums.
• Download de TXT. Gebruik hem in je editor, je notities of elk programma dat platte tekst accepteert.

Zo verbeter je de nauwkeurigheid

OCR gokt, en de kwaliteit van de gok hangt af van de kwaliteit van de afbeelding.

• Resolutie. Ongeveer 300 dpi is ideaal voor een gescande pagina. Een foto van dichtbij werkt vaak beter dan een kleine schermafbeelding.
• Contrast. Donkere, schone tekst op een lichte achtergrond is perfect. Schaduwen, flitslicht en gekleurd papier verwarren de engine.
• Rechte pagina's. Scheve scans breken regels en plakken woorden aan elkaar. Maak de pagina recht voordat je scant.
• Taal. Het verkeerde taalmodel is de meest voorkomende oorzaak van kapotte accenten en verzonnen woorden. Mengt een document twee talen, verwerk dan de pagina's van de minderheid apart.
• Bijsnijden. Verwijder randen, handen, nietjes en logo's zodat de engine ze niet probeert te lezen.

Wat OCR nog steeds fout doet

• Handschrift. Gedrukte tekst is het doel. Blokletters lukken soms; lopend schrift bijna nooit.
• Tabellen en kolommen. De engine leest tekst, geen lay-out. Cellen kunnen hun uitlijning verliezen en kolommen kunnen samenvallen; reken erop tabellen handmatig opnieuw te maken.
• Cijfers en codes. De 0 en de letter O, of 1, l en I, zijn klassieke verwarringen. Controleer factuurnummers, IBAN's en e-mailadressen teken voor teken.
• Kleine letters en decoratieve lettertypen. Minuscule voetnoten, dunne cursief en decoratieve logo's veroorzaken veel fouten.
• Leestekens. Aanhalingstekens, streepjes en valutasymbolen zijn klein en raken makkelijk kwijt.

Een spellingcontrole vindt geen verkeerd cijfer. Daarom is de controle niet optioneel bij alles wat met geld of recht te maken heeft.

Privacy en grenzen

De conversie is lokaal: de PDF wordt op je apparaat gelezen, gerenderd en herkend, en de tekst verlaat het nooit. Dat is de belangrijkste reden om een browsertool te verkiezen boven een dienst die je vraagt het bestand te uploaden.

Twee praktische grenzen zijn goed om te weten. Zeer grote scans gebruiken meer geheugen, en de herkenningstijd groeit met het aantal pagina's. Heeft een document honderden pagina's, splits het dan op en verwerk de delen één voor één.

Wanneer OCR niet het antwoord is

• De PDF bevat al tekst. Gebruik PDF naar TXT voor een exacte extractie.
• Je hebt de originele lay-out nodig. OCR levert tekst, geen ontwerp. Bewaar voor een getrouwe kopie de originele PDF of converteer hem naar Word met PDF naar DOCX.
• Je wilt een doorzoekbare PDF. De herkende tekst kun je in een nieuw document plakken, maar deze tool levert TXT; hij voegt geen onzichtbare tekstlaag aan het originele bestand toe.
• De pagina is een foto, geen PDF. Gebruik Afbeelding naar tekst (OCR).

Snelle checklist

• Selecteer een woord in de PDF om te bevestigen dat hij echt gescand is.
• Kies de taal van het document.
• Vergelijk namen, bedragen, datums en referentienummers met het origineel.
• Bewaar de originele PDF tot de tekst is gecontroleerd.
• Sla de TXT op waar je hem later kunt doorzoeken.

Goed uitgevoerd verandert OCR een onleesbare scan in tekst waarmee je kunt werken, zonder een vertrouwelijk document naar de server van een vreemde te sturen.