Was ist OCR?

Einfach erklärt

Ein Scanner macht aus einem Blatt Papier zunächst nur ein Foto. Für den Computer stehen darauf keine Wörter, sondern farbige Punkte. Die Texterkennung, englisch Optical Character Recognition oder kurz OCR, liest dieses Bild wie ein Mensch und legt den erkannten Text unsichtbar hinter das Bild. Das Dokument sieht danach genauso aus wie vorher. Sie können darin aber suchen, Text markieren und kopieren.

Wozu das im Büro gut ist

Erst mit OCR findet ein Ablagesystem eine gescannte Rechnung über den Namen des Lieferanten oder die Rechnungsnummer. Viele Systeme nutzen den erkannten Text außerdem, um Dokumente automatisch einzuordnen, etwa als „Rechnung von Firma Müller“. Ohne OCR bleibt nur der Dateiname, etwa „Scan_0042.pdf“.

Woran Sie gute Ergebnisse erkennen

• Suchen Sie in einem frisch gescannten Dokument nach einem Wort, das darauf steht. Wird es gefunden, hat die Erkennung gearbeitet.
• Scannen Sie mit mindestens 300 dpi. Die verbreitete Erkennungssoftware Tesseract arbeitet laut ihrer Dokumentation ab dieser Auflösung am besten.
• Schlechte Vorlagen liefern schlechten Text: verblasste Kassenbons, schiefe Handyfotos, Stempel über der Schrift.
• Die Sprache muss stimmen. Ist die Erkennung auf Englisch eingestellt, leiden deutsche Wörter.

Was OCR nicht kann

OCR erkennt Zeichen, versteht aber nicht, was sie bedeuten. Ob „1.250,00“ der Rechnungsbetrag oder eine Kundennummer ist, weiß die Software nicht. Sie macht auch Fehler, besonders bei schwachen Vorlagen. Übernimmt ein Programm Beträge aus dem erkannten Text, sollte ein Mensch sie prüfen. Wer gescannte Belege anstelle des Papiers aufbewahren will, braucht ein geregeltes Verfahren. Was dazu gehört, beschreibt der Beitrag ersetzendes Scannen.

Ablauf der Erkennung

Eine OCR-Pipeline bereitet das Bild auf (Drehen, Begradigen, Umwandeln in Schwarzweiß), zerlegt die Seite in Zeilen und Wörter und erkennt die Zeichen. Weit verbreitet ist die Open-Source-Engine Tesseract. Laut ihrer Dokumentation arbeitet sie am besten mit Bildern ab 300 dpi, schiefe Seiten stören die Zeilenerkennung. OCRmyPDF legt das Ergebnis als unsichtbare Textebene über das Seitenbild und schreibt auf Wunsch PDF/A:

ocrmypdf -l deu --rotate-pages --deskew --output-type pdfa scan.pdf scan-ocr.pdf

Paperless-ngx verwendet dieselbe Technik. Die Sprache setzt PAPERLESS_OCR_LANGUAGE, ab Werk eng, für deutsche Belege also deu oder deu+eng. Im Standardmodus PAPERLESS_OCR_MODE=auto entfällt die OCR, wenn ein PDF schon genug eingebetteten Text hat.

Was die GoBD zum Volltext sagen

Wird ein bildlich erfasstes Dokument per OCR um Volltext angereichert, ist dieser Volltext nach Verifikation und Korrektur über die ganze Aufbewahrungsfrist aufzubewahren und für Prüfzwecke verfügbar zu machen (GoBD Rz. 130). Für elektronisch eingegangene Belege gilt dasselbe (Rz. 131). Wechselt die OCR-Software, dürfen die Dokumente selbst nicht verändert werden und die gewonnenen Informationen müssen mindestens gleichwertig erhalten bleiben (Rz. 142).

Typische Fehler

• Sprache nicht gesetzt. Paperless-ngx steht ab Werk auf eng. Für deutsche Belege gehört deu hinein.
• Modus force für alle Dokumente. Er rastert jede Seite, ersetzt echten Text durch erkannten und macht Dateien deutlich größer.
• Zu geringe Auflösung oder Graustufenscans mit unruhigem Hintergrund.
• Ungeprüfte Übernahme. Rechnungsnummer und Betrag aus dem OCR-Text landen ohne Kontrolle in Feldern oder in der Buchhaltung.
• Kein Abgleich nach Updates. Eine neue Engine erkennt anders. Stichproben vorher und nachher zeigen, ob die Suche weiter trifft.

Prüfen

pdftotext scan-ocr.pdf - | head -20

Bleibt die Ausgabe leer, hat die Datei keine Textebene. In Paperless-ngx meldet der Sanity Checker (document_sanity_checker) Dokumente ohne Inhalt als Warnung.