OCR und Texterkennung: welches Werkzeug wofür

Artikel-Übersicht

Der Artikel zerfällt bewusst in zwei Hälften. Die erste ist für alle, die gescannte Dokumente durchsuchbar machen wollen: was OCR ist, welche Werkzeuge es gibt, wie man eine PDF mit einem einzigen Befehl durchsuchbar macht und was mit Handschrift geht. Die zweite ist für Entwickler, die Texterkennung in einen Ablauf einbauen sollen — mit Vorverarbeitung, strukturierter Ausgabe, lokalem Betrieb und Qualitätsmessung. Der Abschnitt dazwischen trägt den Artikel: eine Entscheidungstabelle, wann klassische OCR gewinnt und wann ein Vision-Modell — einschließlich der Kostenseite, die diese Entscheidung bei großen Mengen allein bestimmt.

Was OCR ist

OCR — optische Zeichenerkennung — wandelt Bilder von Text in maschinenlesbaren Text um. Sie erkennt Zeichen, keine Bedeutung.

Der Ablauf ist seit Jahrzehnten derselbe: Das Bild wird begradigt und binarisiert, Textbereiche werden gefunden, Zeilen und Zeichen getrennt, und jedes Zeichen wird gegen gelernte Formen abgeglichen. Ein Sprachmodell im Hintergrund glättet das Ergebnis — „Hallc" wird zu „Hallo", weil das wahrscheinlicher ist.

Der Unterschied zu Vision-Modellen in einem Satz: Klassische OCR gibt zurück, welche Zeichen wo standen; ein Vision-Modell gibt zurück, was auf dem Dokument steht — einschließlich Tabellenstruktur, Zuordnung von Beschriftung zu Feld und der Antwort auf eine Frage zum Inhalt.

Das ist ein qualitativer Unterschied, und er entscheidet nicht in jedem Fall zugunsten des Modells. Dazu weiter unten mehr.

Die Werkzeuge im Vergleich

Werkzeug	Art	Kosten	Sprachen	Layout/Tabellen	Handschrift	Offline
Tesseract	klassisch, quelloffen	kostenlos	100+	schwach	nein	ja
OCRmyPDF	Tesseract-Aufsatz für PDF	kostenlos	100+	erhält Original	nein	ja
PaddleOCR	klassisch/neuronal, quelloffen	kostenlos	80+	gut	eingeschränkt	ja
Kommerzielle Suiten	klassisch, ausgereift	Lizenz	viele	sehr gut	eingeschränkt	ja
Cloud-Dokumentendienste	spezialisiert	pro Seite	viele	sehr gut	gut	nein
Vision-Modelle gehostet	Sprachmodell mit Bildeingabe	pro Aufruf	viele	sehr gut	gut	nein
Vision-Modelle lokal	dasselbe über Ollama	kostenlos, Hardware	viele	gut	mittel	ja

Stand 05/2027. Die letzten drei Zeilen verändern sich schnell.

Die Spalte „Offline" ist der Unterschied zu jedem anderen Vergleich. Dokumente sind der Datenbestand mit dem höchsten Anteil personenbezogener Daten überhaupt — Rechnungen, Verträge, Personalakten, Arztberichte. Für viele Anwendungen ist die Frage „darf das Dokument das Haus verlassen?" die erste, nicht die letzte. Wie man ein Modell lokal betreibt, steht in Ollama: lokale Sprachmodelle betreiben.

Zu den kostenlosen Werkzeugen auf Deutsch: Tesseract erkennt Deutsch einschließlich Umlauten gut, sofern das passende Sprachpaket installiert ist — ohne deu als Sprache liefert es bei deutschen Texten deutlich schlechtere Ergebnisse, weil es englische Wortmodelle anwendet. Das ist der häufigste Fehler beim Einstieg.

PDFs durchsuchbar machen

Der praktischste Abschnitt des Artikels.

Eine durchsuchbare PDF ist eine PDF, die zusätzlich zum Bild eine unsichtbare Textebene enthält — die Buchstaben liegen exakt über den entsprechenden Bildstellen. Das Aussehen bleibt unverändert, aber Suchen, Markieren und Kopieren funktionieren.

Der Weg mit einem freien Werkzeug:

# Installation (macOS)
brew install ocrmypdf tesseract-lang

# Installation (Debian/Ubuntu)
sudo apt install ocrmypdf tesseract-ocr-deu

Eine einzelne Datei:

ocrmypdf --language deu eingang.pdf ausgang.pdf

Das reicht in den meisten Fällen. Für schlechte Vorlagen lohnen drei Zusatzoptionen:

ocrmypdf --language deu \
         --deskew \
         --clean \
         --optimize 3 \
         eingang.pdf ausgang.pdf

--deskew richtet schief eingescannte Seiten gerade, --clean entfernt Bildrauschen vor der Erkennung, --optimize 3 verkleinert die Ausgabedatei.

Stapelverarbeitung über ein ganzes Verzeichnis:

find . -name '*.pdf' -print0 | \
  xargs -0 -P 4 -I {} \
  ocrmypdf --language deu --skip-text {} {}

Zwei Hinweise dazu: -P 4 verarbeitet vier Dateien gleichzeitig — die Zahl an die Kerne anpassen. Und --skip-text überspringt Seiten, die bereits eine Textebene haben; ohne diese Option bricht das Werkzeug bei solchen Dateien ab. Für gemischte Bestände ist sie unverzichtbar.

Für mehrsprachige Dokumente lassen sich Sprachen kombinieren:

ocrmypdf --language deu+eng eingang.pdf ausgang.pdf

Handschrift

Ehrlich gesagt: Klassische OCR scheitert an Handschrift weitgehend. Tesseract ist für gedruckte Zeichen gebaut; bei verbundener Handschrift liefert es unbrauchbare Ergebnisse. Das ist kein Einstellungsproblem, sondern eine Grenze des Verfahrens.

Vision-Modelle sind hier deutlich besser. Sie lesen ordentliche Handschrift oft erstaunlich zuverlässig, weil sie den Zusammenhang mitverwenden — ein unleserliches Wort in einem Adressfeld wird aus der Umgebung erschlossen.

Aber: gut genug für Automatisierung ohne Prüfung sind sie nicht. Der Grund ist derselbe Mechanismus, der sie gut macht — sie ergänzen aus dem Zusammenhang. Bei einem unleserlichen Betrag oder einem unklaren Namen entsteht dabei ein plausibler Wert, nicht eine Fehlermeldung. Ein Modell schreibt eher eine falsche Zahl hin als „unlesbar".

Die praktische Folge: Bei Handschrift gehört eine menschliche Prüfung in den Ablauf, mindestens stichprobenartig und bei allen Werten mit Folgen.

Ein Sonderfall aus dem deutschsprachigen Raum: alte Vorlagen in Fraktur. Klassische OCR braucht dafür ein eigenes Modell — für Tesseract gibt es deu_frak beziehungsweise die neueren Frakturmodelle. Ohne dieses Modell ist das Ergebnis Zeichensalat. Für Archive und Ahnenforschung ist das der entscheidende Hinweis, und er steht selten irgendwo.

OCR oder Sprachmodell?

Der Abschnitt, der den Artikel trägt.

Vorlagenart	Empfehlung	Begründung
Sauberer Scan, Fließtext	klassische OCR	schneller, billiger, mindestens ebenso genau
Formular mit festen Feldern	Vision-Modell	Zuordnung Beschriftung → Wert ist die eigentliche Aufgabe
Tabelle	Vision-Modell	Spaltenstruktur geht bei klassischer OCR verloren
Rechnung oder Beleg	Vision-Modell oder Spezialdienst	halbstrukturiert, Layout wechselt je Aussteller
Handschrift	Vision-Modell, mit Prüfung	klassische OCR scheitert, Modell rät plausibel
Schlechte Vorlage (Foto, schief, verknickt)	Vision-Modell	robuster gegenüber Störungen
Sehr großes Volumen (> einige tausend Seiten)	klassische OCR, Modell nur für Ausnahmen	Kostenunterschied entscheidet allein

Die Kostenseite, ohne die die Tabelle unvollständig wäre: Ein Modellaufruf je Seite ist um Größenordnungen teurer als klassische OCR, die nach der Installation nichts mehr kostet außer Rechenzeit. Bei fünfzig Seiten spielt das keine Rolle. Bei fünfzigtausend entscheidet es die Frage allein — und zwar unabhängig davon, wie viel besser das Modell wäre.

Konkrete Preise nenne ich hier nicht, weil sie veralten; die Rechnung ist aber leicht selbst zu machen: Seitenzahl mal Preis je Aufruf, verglichen mit den Stunden, die eine lokale Verarbeitung an Rechenzeit kostet.

Die Kombination ist meistens die richtige Antwort. Klassische OCR über alles, und ein Modell nur für die Seiten, bei denen die Erkennung unsicher war oder Struktur gebraucht wird. Diese Zweistufigkeit ist in der Praxis fast immer die wirtschaftlichste Lösung — und sie fällt aus den meisten Vergleichen heraus, weil sie sich schlecht verkaufen lässt.

Texterkennung in eigene Systeme einbauen

Der Ablauf hat drei Stufen, und die dritte wird regelmäßig unterschätzt.

Vorverarbeitung. Ausrichtung begradigen, Kontrast anheben, Ränder beschneiden, gegebenenfalls in Graustufen wandeln. Bei Fotos statt Scans ist dieser Schritt der Unterschied zwischen brauchbar und unbrauchbar — mehr als jede Werkzeugwahl.

Erkennung. Der Schritt, über den alle reden.

Nachbearbeitung. Prüfung gegen bekannte Muster, Plausibilitätsprüfungen, Korrektur. Hier entscheidet sich die Qualität, nicht bei der Erkennung.

Ein Beispiel dafür, warum: Eine Rechnungsnummer, die als 1234S6 erkannt wurde, lässt sich nicht durch bessere Erkennung retten, sondern durch die Regel „dieses Feld enthält nur Ziffern". Eine Summe, die nicht der Summe der Einzelposten entspricht, ist ein erkannter Fehler — ohne dass man wüsste, welche Zahl falsch ist. Prüfsummen, Formatregeln, Wertebereiche und Abgleiche gegen Stammdaten fangen den größten Teil dessen ab, was Erkennung übriglässt.

Wer OCR als Vorstufe einer Dokumentensuche einsetzt, sollte gleich weiterdenken: Der erkannte Text ist der Eingang in eine abrufgestützte Anwendung, wie sie in RAG selbst bauen beschrieben ist, und die dort verarbeiteten Abschnitte landen in einer Vektordatenbank.

Strukturierte Ausgabe erzwingen

Wenn ein Vision-Modell Belege liest, muss das Ergebnis maschinenlesbar sein — sonst hat man Fließtext statt Daten und nichts gewonnen.

Der Weg dorthin ist nicht die Bitte „gib JSON zurück", sondern ein erzwungenes Ausgabeschema. Beispielhaft für einen Beleg:

{
  "rechnungsnummer": "string",
  "datum": "YYYY-MM-DD",
  "aussteller": "string",
  "netto": "number",
  "steuer": "number",
  "brutto": "number",
  "positionen": [
    {"bezeichnung": "string", "menge": "number", "einzelpreis": "number"}
  ]
}

Wie man ein solches Schema technisch erzwingt statt es zu erbitten — und warum das der entscheidende Unterschied ist —, steht in Strukturierte Ausgabe und JSON-Modus.

Ein Zusatz, der sich bewährt hat: ein Feld für Unsicherheit je Wert. Ein Modell, das angeben darf, dass es sich bei einem Betrag nicht sicher ist, liefert eine brauchbare Vorsortierung für die menschliche Prüfung. Ohne dieses Feld sind alle Werte gleich vertrauenswürdig — und das sind sie nicht.

Lokal betreiben

Vision-Modelle lassen sich über Ollama lokal betreiben. Der Aufruf unterscheidet sich kaum von einem Textmodell:

ollama run <vision-modell> "Lies die Rechnungsnummer und den Bruttobetrag." ./beleg.png

Wann das reicht: Für Formulare mit festem Aufbau, für gut lesbare Belege und für alles, bei dem eine menschliche Prüfung ohnehin vorgesehen ist. Wann nicht: Bei Handschrift, bei sehr dichten Tabellen und bei stark wechselnden Layouts — dort sind die gehosteten Modelle spürbar besser.

Der Speicherbedarf ist der begrenzende Faktor; Vision-Modelle brauchen zusätzlich zum Sprachteil einen Bildteil. Welche Größe auf welcher Hardware läuft, steht in Welches Ollama-Modell?.

Qualität messen

Der Abschnitt, der aus Meinung Messung macht.

Zwei Kennzahlen sind üblich: die Zeichenfehlerrate — Anteil falscher, fehlender oder überzähliger Zeichen — und die Wortfehlerrate. Die Wortfehlerrate ist strenger, weil ein falsches Zeichen ein ganzes Wort verdirbt; für Suchanwendungen ist sie aussagekräftiger.

Warum Herstellerangaben zur Genauigkeit über deine Dokumente nichts sagen: Sie werden auf sauberen, gut ausgeleuchteten Standardvorlagen gemessen. Deine Vorlagen sind Faxkopien, Handyfotos mit Schatten, doppelseitige Scans mit Durchschein und Formulare mit Stempeln quer über dem Text. Eine Angabe von 99 % Zeichengenauigkeit auf Standardvorlagen kann bei realen Dokumenten 85 % bedeuten.

Das Vorgehen, das ich empfehle und das eine halbe Stunde kostet: Zwanzig eigene Vorlagen auswählen, die die Bandbreite abdecken, den richtigen Text einmal von Hand erfassen, und jedes Werkzeug dagegen messen. Zwanzig Seiten reichen aus, um Werkzeuge zu unterscheiden — und das Ergebnis widerspricht regelmäßig der Erwartung.

Datenschutz bei Dokumenten

Kurz, aber nicht optional.

Belege, Formulare, Verträge und Schriftverkehr enthalten regelmäßig personenbezogene Daten — häufig mehr als jede Datenbank im Haus, und oft auch besondere Kategorien wie Gesundheitsdaten.

Für die Werkzeugwahl heißt das:

• Ein Cloud-Dienst verarbeitet die Dokumente, nicht nur den erkannten Text. Das ist eine Auftragsverarbeitung mit allem, was dazugehört.
• Der Verarbeitungsort ist zu klären, ebenso, ob Inhalte zur Modellverbesserung verwendet werden.
• Lokale Werkzeuge lösen diese Fragen — das ist neben den Kosten der zweite gute Grund für Tesseract.

Was im Einzelnen zu beachten ist, steht in KI, Datenschutz und Recht.

Häufige Fragen

Was ist OCR-Software? Software, die Bilder von Text in maschinenlesbaren Text umwandelt. Sie erkennt Zeichen, nicht Bedeutung.

Welche OCR-Software ist die beste? Es gibt keine beste für alles. Für saubere Scans und große Mengen Tesseract beziehungsweise OCRmyPDF, für Formulare und Tabellen ein Vision-Modell, für Handschrift ein Vision-Modell mit menschlicher Prüfung.

Welche kostenlose OCR-Software gibt es auf Deutsch? Tesseract mit dem Sprachpaket deu, OCRmyPDF als Aufsatz für PDF-Dateien und PaddleOCR. Alle drei sind quelloffen und laufen offline.

Wie kann ich eine PDF durchsuchbar machen? Mit ocrmypdf --language deu eingang.pdf ausgang.pdf. Das legt eine unsichtbare Textebene über das Bild, ohne das Aussehen zu verändern.

Erkennt OCR auch Handschrift? Klassische OCR praktisch nicht. Vision-Modelle deutlich besser, aber nicht zuverlässig genug für Automatisierung ohne Prüfung — sie erzeugen bei unklaren Stellen einen plausiblen Wert statt einer Fehlermeldung.

Wann lohnt sich ein Sprachmodell statt klassischer OCR? Bei Formularen, Tabellen, Belegen, Handschrift und schlechten Vorlagen. Bei sauberem Fließtext und großen Mengen bleibt klassische OCR überlegen, vor allem wegen der Kosten.

Wie sieht der Arbeitsmarkt für Computer Vision aus? Stellen in dem Bereich werden überwiegend in der industriellen Bildverarbeitung, in der Medizintechnik, in der Fahrzeugentwicklung und in der Dokumentenverarbeitung ausgeschrieben. Gefragt sind meist Python, ein Deep-Learning-Rahmenwerk und Erfahrung mit klassischer Bildverarbeitung — reine Modellkenntnis reicht selten, weil ein großer Teil der Arbeit in Datenaufbereitung und Vorverarbeitung liegt. Ausschreibungen für Deutschland finden sich unter den üblichen Bezeichnungen „Computer Vision Engineer" und „Machine Learning Engineer".

Zusammenfassung und praktische Tipps

• OCR erkennt Zeichen, Vision-Modelle lesen Dokumente. Das ist ein qualitativer Unterschied — und nicht immer der entscheidende.
• Für saubere Scans gewinnt klassische OCR in Geschwindigkeit, Kosten und oft auch Genauigkeit.
• Für Formulare, Tabellen, Belege und Handschrift gewinnen Modelle.
• Bei großen Mengen entscheiden die Kosten allein, unabhängig von der Qualität.
• Die Kombination ist meist am wirtschaftlichsten: klassische OCR über alles, Modell nur für die Ausnahmen.
• Eine PDF wird mit einem einzigen Befehl durchsuchbar — ocrmypdf --language deu.
• Die Nachbearbeitung entscheidet über die Qualität, nicht die Erkennung.
• Herstellerangaben zur Genauigkeit sagen über deine Dokumente nichts. Zwanzig eigene Vorlagen messen.

Mein Rat für den Einstieg: Nimm die zwanzig hässlichsten Dokumente, die du hast — die Faxkopien, die Handyfotos, das Formular mit dem Stempel quer über der Zahl — und lass drei Werkzeuge darüber laufen. Nicht die schönen Scans; an denen sind alle gut. Die Rangfolge, die dabei herauskommt, ist die einzige, die für deinen Anwendungsfall zählt, und sie unterscheidet sich erfahrungsgemäß deutlich von jeder Empfehlungsliste im Netz.

Ressourcen

• Tesseract OCR – Dokumentation, Sprachpakete und Frakturmodelle
• OCRmyPDF – durchsuchbare PDFs, Stapelverarbeitung und alle Optionen
• PaddleOCR – quelloffene Erkennung mit Layoutanalyse
• Ollama – Modellbibliothek – verfügbare Vision-Modelle für den lokalen Betrieb