PDF oder Bilder einlesen

Stand: 9. Oktober 2026 (Fraktur-Korrektor 0.12.0).

Haben Sie ein Buch als gescanntes PDF oder als Ordner mit Seitenfotos, kann der Fraktur-Korrektor den Text selbst erkennen. Er benutzt dafür das freie Programm Tesseract, das auf Ihrem Rechner läuft – es wird nichts ins Internet übertragen. Unter Windows und auf dem Mac ist Tesseract im fertigen Programm enthalten. Unter Linux und beim Start aus dem Quelltext installieren Sie es selbst: Werkzeuge installieren.

Zum Ausprobieren eignet sich eine gemeinfreie Ausgabe von Goethes Faust (Cotta, Stuttgart 1862; Fraktur, 470 Seiten, 16,5 MB): https://archive.org/download/fausteinetragd00goetuoft/fausteinetragd00goetuoft.pdf. Sie bringt schon eine Textebene mit – gut, um beide Wege zu vergleichen (siehe unten).

Der Weg im Überblick

So kommen Sie von einem gescannten PDF zu einem lesbaren Text. Die Ampel entscheidet, wie weit Sie gehen müssen:

1. Einlesen (nächster Abschnitt). Tesseract erkennt den Text, wenige Sekunden je Seite.
2. Ampel ansehen. Grün: fertig – lesen und korrigieren. Gelb oder Rot: nicht gleich von Hand korrigieren, sondern zuerst die Vorlage verbessern. Das ist fast immer schneller als tausend Einzelkorrekturen.
3. Scans vorbereiten – eingebaut, ohne weiteres Programm: Doppelseiten teilen, geraderichten, dunkle Ränder und Finger entfernen. Danach erneut erkennen lassen. Meist reicht das.
4. ScanTailor – ein eigenes Programm, nur wenn die Seiten zum Bund hin gewölbt sind, Flecken mitten im Text liegen oder das Licht ungleichmäßig ist. Gewölbte Seiten meldet das Programm selbst („die Zeilenenden sind viel schlechter als der Rest“). Danach erneut erkennen lassen.
5. Bleibt die Ampel auf Gelb oder Rot, ist die Vorlage für Tesseract zu schwer: dann Transkribus – mit denselben vorbereiteten Bildern, die Arbeit aus Schritt 3 und 4 ist nicht verloren.

Erneut erkennen heißt immer: die verbesserten Seitenbilder als neues Buch einlesen. Das Programm führt Sie dorthin – nach Scans vorbereiten ist der Ordner mit den vorbereiteten Seiten schon ausgewählt, nach ScanTailor schon eingetragen; Sie klicken nur noch auf Texterkennung starten. Das neue Buch steht neben dem alten in der Bibliothek. Das alte bleibt, bis Sie es mit Aus der Liste nehmen entfernen (die Dateien bleiben dabei auf der Festplatte). Sie können also gefahrlos vergleichen. Ist nur eine einzelne Seite misslungen, genügt Seite ersetzen … in der Leseansicht: Sie zeigen dem Programm eine neue Aufnahme, und nur diese Seite wird neu erkannt – siehe Bedienung.

Welche anderen Programme es gibt und wofür sie taugen, steht unter Andere Programme im Vergleich.

Was dahinter steckt (Stand 9. Oktober 2026): Tesseract ist eine freie Texterkennung, die Google lange gepflegt hat und die heute eine offene Gemeinschaft weiterentwickelt; aktuelle Fassung 5.5.3 vom Juli 2026 (https://github.com/tesseract-ocr/tesseract/releases), und diese Fassung steckt auch im fertigen Programm. Für Fraktur benutzt der Fraktur-Korrektor das Modell frak2021 der Universitätsbibliothek Mannheim, das an vielen historischen Drucken trainiert wurde (https://github.com/UB-Mannheim/tesseract/wiki). Ist nur ein älteres Fraktur-Modell installiert (deu_latf, deu_frak, frk oder Fraktur aus dem Tesseract-Projekt), lädt er frak2021 beim ersten Einlesen dazu; ohne Internetverbindung nimmt er das ältere. Für Antiqua nimmt er das Standardmodell deu; fehlt es, frak2021, das auch Antiqua lesen kann. Einzelheiten: Werkzeuge installieren.

So geht es

1. In der Bibliothek auf Öffnen … klicken und das PDF (Datei wählen …) oder den Ordner mit den Seitenbildern (Ordner wählen …) zeigen. Das Programm erkennt selbst, was es vor sich hat – siehe Ein Buch öffnen.
2. Das Fenster zeigt, ob Tesseract vorhanden ist und welches Fraktur-Modell benutzt wird. Fehlt das Modell, lädt das Programm es beim ersten Einlesen selbst herunter (5 MB, von der Universitätsbibliothek Mannheim).
3. Titel eintragen (leer gelassen, nimmt das Programm den Namen der Datei) und die Schrift des Buchs wählen: Fraktur oder Antiqua (lateinische Schrift, wie heute üblich).
4. Texterkennung starten. Ein Balken zeigt den Fortschritt („Seite 12 von 470 erkannt“); rechnen Sie mit wenigen Sekunden je Seite. Mit Abbrechen lässt sich der Vorgang jederzeit stoppen; dann wird nichts angelegt. Mehr als 999 Seiten nimmt das Programm nicht an – teilen Sie ein so dickes Buch vorher.

Durchsuchbare PDFs: Text übernehmen

Viele PDFs sind schon „durchsuchbar“: Ein anderes Programm (ABBYY FineReader, OCRmyPDF, der Scanner selbst) hat den Text bereits erkannt und unsichtbar hinter das Seitenbild gelegt. Der Fraktur-Korrektor bemerkt das („Dieses PDF ist schon durchsuchbar …“) und bietet zwei Wege an:

• Text übernehmen (dauert nur Sekunden) – auch bei mehreren hundert Seiten. Die Seitenbilder werden unverändert aus dem PDF genommen. Tesseract wird dafür nicht gebraucht.
• Text mit Tesseract neu erkennen – sinnvoll, wenn der vorhandene Text schlecht ist, zum Beispiel weil ein Frakturbuch mit einem Programm für lateinische Schrift erkannt wurde.

Im Zweifel erst übernehmen und die Ampel ansehen. Ist sie gelb oder rot, steht unter der Empfehlung der Knopf Text neu erkennen lassen: Er verwirft das eben Eingelesene und lässt Tesseract dasselbe PDF neu erkennen. Bei Rot ist er schon hervorgehoben.

Stammt das PDF aus einer Bibliothek und enthält keinen Text, lohnt ein Blick auf deren Seiten: Oft liegt der erkannte Text dort getrennt vom PDF bereit (hOCR oder ALTO) und lässt sich nachträglich über das Buch legen – siehe Text aus einer Bibliothek.

Die Ampel

Nach der Erkennung schätzt das Programm, wie gut das Ergebnis ist. Es benutzt dafür zwei Werte, die unter der Ampel stehen: die mittlere Sicherheit der Erkennung (wie sicher sich Tesseract bei den Wörtern war) und wie viel Prozent der Wörter im Wörterbuch stehen. Gezählt wird der mittlere Wert über alle Seiten; Seiten mit weniger als 20 Wörtern (Titelblatt, Abbildungen) zählen nicht mit.

Bei Text, der aus dem PDF übernommen wurde, zählt nur das Wörterbuch – ein PDF speichert nicht, wie sicher die Erkennung war: grün ab 88 %, rot unter 78 %.

Unter der Ampel steht außerdem, wenn nötig:

• Seiten mit besonders vielen Fehlern – Seiten mit einer Sicherheit unter 75 % oder weniger als 78 % bekannten Wörtern. Sind es nur wenige, ersetzen Sie sie einzeln (Seite ersetzen … in der Leseansicht).
• „Auf … Seiten sind die Zeilenenden viel schlechter als der Rest“ – dort ist die Erkennung am Zeilenende um mindestens 10 Prozentpunkte unsicherer als in der Zeilenmitte. Der Hinweis erscheint, wenn mindestens ein Viertel der Seiten so aussieht. Fast immer ist die Seite dann zum Bund hin gewölbt: ein Fall für ScanTailor (siehe unten).

Der farbige Punkt erscheint auch in der Bibliothek vor dem Buchtitel. Die Werte jeder einzelnen Seite stehen in der Datei qualitaet.json im Buchordner.

Doppelseiten, schiefe Seiten, dunkle Ränder: Scans vorbereiten

Texterkennung ist nur so gut wie das Bild. Wer ein Buch im Lesesaal abfotografiert, hat meist zwei Buchseiten auf einem Bild, die Seiten liegen schief, und am Rand sind Tischplatte, Buchkante oder ein Finger mit im Bild. Alles drei erledigt das Programm selbst, bevor es den Text erkennt.

Vor dem ersten Einlesen:

1. Über Öffnen … das PDF oder den Ordner mit den Fotos zeigen. Das Programm sieht sich einige Seiten an. Stehen zwei Seiten nebeneinander, liegen sie schief oder läuft ein dunkler Rand an der Seite entlang, erscheint als Empfehlung der Knopf Scans vorbereiten …. Sehen die Seiten gut aus, steht dort „Die Seiten sehen gut aus“ und daneben Trotzdem vorbereiten ….
2. Darauf klicken. Sie sehen die erste Doppelseite mit einer roten Linie. Steht sie in der Bundmitte? Sonst ziehen Sie sie mit der Maus dorthin oder verschieben sie mit den Pfeiltasten ← → (mit Umschalt in größeren Schritten). Die Linie gilt für alle Seiten; auf jeder einzelnen sucht das Programm die Falz noch einmal in der Nähe und passt die Linie an. Drei Häkchen sagen, was geschehen soll: Doppelseiten an der Linie teilen, Schiefe Seiten geraderichten – dahinter steht der gemessene Winkel – und Dunkle Ränder und Finger entfernen. Bei diesem Häkchen zeigt ein grün gestrichelter Kasten auf der Vorschau, was von der gezeigten Seite bleibt; auf jeder anderen Seite misst das Programm neu.
3. Übernehmen. Ein Balken zeigt den Fortschritt; rechnen Sie mit wenigen Sekunden je Seite. Die vorbereiteten Seiten kommen in einen eigenen Ordner aufbereitet im Buchordner; Ihre Vorlage bleibt unverändert. Aus jeder Doppelseite werden zwei Seiten, linke zuerst. Gedreht wird erst ab 0,3° Schieflage; gemessen wird bis 5° – was schiefer liegt, ist falsch fotografiert und sollte neu aufgenommen werden. Abgeschnitten wird nur, was deutlich dunkler als das Papier ist und am Bildrand liegt – nie der Text selbst: Um den Textblock bleibt immer ein Sicherheitsabstand. Ein Finger, der von unten oder von der Seite hereinragt, wird weiß übermalt; ragt er bis an den Text, bleibt dieses Stück stehen, damit keine Buchstaben verloren gehen. Ein Schatten, der über die halbe Seite reicht, wird in Ruhe gelassen. Bei Fotos vom Lesesaal-Tisch lohnt sich ein Blick auf ein paar vorbereitete Seiten; ist der Schnitt zu knapp oder zu großzügig, lassen Sie die Vorlage ohne das Häkchen noch einmal vorbereiten.
4. Erneut erkennen: Danach ist der neue Ordner schon ausgewählt – auf Texterkennung starten klicken. Das Programm merkt sich, dass die Seiten vorbereitet wurden (Kennzeichen vorbereitet in der Bibliothek).

Liegt das Buch schon in Ihrer Bibliothek – etwa weil Sie es erst einmal so haben erkennen lassen und die Ampel gelb oder rot zeigt –, steht beim Buch der Knopf Scans vorbereiten. Er zeigt dieselbe Vorschau und bereitet die Seitenbilder des Buchs auf. Anschließend klicken Sie auf Text erkennen lassen …: Das Fenster Öffnen erscheint mit den vorbereiteten Seiten, und Texterkennung starten legt ein neues Buch an; das bisherige bleibt, wie es ist.

Einfacher ist es, gar keine Doppelseiten zu fotografieren. Jede Seite einzeln und bildfüllend, die Kamera parallel zur Seite, gleichmäßiges Licht – dann bleibt dem Programm nichts zu teilen und wenig zu drehen. Wie das im Lesesaal gelingt, auch mit dem iPhone: Bücher selbst fotografieren.

Gewölbte Seiten, Flecken, ungleichmäßiges Licht: ScanTailor

Was das Programm nicht kann: gewölbte Seiten entzerren, Flecken mitten auf der Seite entfernen, ungleichmäßige Ausleuchtung ausgleichen. Meldet es, dass die Zeilenenden viel schlechter sind als der Rest, ist die Seite zum Bund hin gewölbt. Dafür gibt es das freie Programm ScanTailor Advanced (Installation – auf dem Mac nur mit Umständen). Es trennt auch Doppelseiten und richtet gerade, nur eben mit mehr Handarbeit.

Ist ScanTailor installiert, findet der Fraktur-Korrektor es selbst; sonst zeigen Sie es ihm einmal mit Programm zeigen … (siehe Werkzeuge installieren).

Für ein PDF, das noch nicht eingelesen ist:

1. Über Öffnen … das PDF wählen und im Fenster unten auf Erst mit ScanTailor aufbereiten … klicken. Das Programm speichert jede PDF-Seite als Bild in einen Ordner scantailor im künftigen Buchordner (ScanTailor kann keine PDFs öffnen) und startet ScanTailor.
2. In ScanTailor: Neues Projekt …. Als Eingabeverzeichnis den Ordner angeben, der auf scantailor endet. Abtippen müssen Sie ihn nicht: Der Fraktur-Korrektor legt den Pfad in die Zwischenablage (in das Feld klicken und mit Strg+V, auf dem Mac ⌘+V einfügen) und öffnet den Ordner zusätzlich im Dateifenster, von wo Sie ihn hineinziehen können. Das Ausgabeverzeichnis out schlägt ScanTailor selbst vor – beibehalten.
3. Die sechs Schritte links von oben nach unten durchgehen: Ausrichtung korrigieren → Seiten teilen → Geraderichten → Inhalt auswählen → Ränder → Ausgabe. Meist genügt es, in jedem Schritt auf das Dreieck ▶ neben dem Namen des Schritts zu klicken (Stapelverarbeitung starten – das bearbeitet alle Seiten) und das Ergebnis durchzublättern. Im Schritt Ausgabe für Fraktur: 600 DPI, Modus Schwarz und Weiß; bei gewölbten Seiten dort Entzerren auf Automatisch stellen.
4. Erneut erkennen: Zurück im Fraktur-Korrektor auf Zurück und Untersuchen klicken – der Ordner …/scantailor/out ist schon eingetragen – und dann auf Texterkennung starten. Haben Sie das Fenster zwischendurch geschlossen, finden Sie den Ordner über Öffnen … → Ordner wählen …; er heißt out und liegt im Buchordner unter scantailor. Das Programm weist ihn als Ergebnis von ScanTailor aus.

Wichtig: Nur wenn Sie dieses Ergebnis einlesen, arbeiten Sie mit den bearbeiteten Seiten weiter. Lesen Sie erneut das PDF ein, war die ganze Mühe umsonst.

Für einen Ordner mit Fotos braucht es den Zwischenschritt nicht: ScanTailor selbst starten und den Fotoordner als Eingabeverzeichnis angeben. Den Ordner out, den ScanTailor darin anlegt, lesen Sie danach über Öffnen … → Ordner wählen … ein. Lassen Sie den Titel leer, heißt das Buch wie der Fotoordner.

Liegt das Buch schon in Ihrer Bibliothek, steht beim Buch der Knopf Für ScanTailor vorbereiten. Er legt eine Kopie der Seitenbilder in den Ordner scantailor des Buchs, gibt diesen Eingabeordner in die Zwischenablage und startet ScanTailor. Als Ausgabeordner schlägt ScanTailor dann selbst …/scantailor/out vor – den lassen Sie stehen. Ist ScanTailor fertig, lesen Sie das Ergebnis mit Öffnen … als neues Buch ein (den Buchordner oder …/scantailor/out wählen) und klicken auf Texterkennung starten.

Wollen Sie den Text lieber von Transkribus lesen lassen, laden Sie dort die Dateien aus …/scantailor/out bzw. …/aufbereitet hoch – Transkribus trennt Doppelseiten nämlich nicht.

Zweispaltiger Satz

Zeitungen und Lexika sind meist in zwei Spalten gesetzt. Das Programm erkennt das an der Lage der Zeilen und liest spaltenweise: erst die linke Spalte von oben nach unten, dann die rechte. Eine Überschrift über beide Spalten kommt davor; steht unter den Spalten wieder Text über die ganze Breite, folgt er danach. Kurze Fußnoten, die zu zweit nebeneinanderstehen, bleiben zeilenweise – so sind sie durchnummeriert.

Grenzen: Drei und mehr Spalten, Tabellen und Verzeichnisse mit Seitenzahlen am rechten Rand werden weiter Zeile für Zeile gelesen; im Zweifel ändert das Programm die Reihenfolge lieber nicht. Hat Tesseract zwei Spalten zu einer Zeile zusammengezogen, kann das Programm sie nicht mehr trennen. Stimmt die Reihenfolge einer Seite nicht, gibt es in der Leseansicht keinen Griff, um Zeilen zu verschieben – lassen Sie die Seite dann von Transkribus lesen: Dort lässt sich jede Spalte als eigener Bereich anlegen, und der Export ersetzt den Text der Seite.