Zum Inhalt springen
Frage 24. März 2011, 19:34 Uhr · 9 Antworten

Eine aus OCR konvertierte doc wieder auf PDF konv

Hallöle

Ich habe Heute nach einiger Arbeit eine Wichtige PDF (über OCR) in eine Doc umgewandelt. Soweit ich weiss behält die OCR wie die damit umgewandelte Doc ja die FOrmatierung der Ursprünglichen PDF.

Ich bin davon ausgegangen dass ich kleinere KOrrekturen und Fehler auf diesem Weg beheben kann ohne die Gesamte PDF neu erstellen zu müssen.

Nun stellt sich aber das Problem der Re-KOnvertierung in eine PDF. Denn bisher hab ich keinen Weg gefunden das Ursprüngliche Format der PDF wieder her zu stellen.

Gibt es hier ne Möglichkeit den Weg wieder zurück zu gehen ? Also z.b in dem ich die DOC wieder in eine OCR und von dort aus in eine PDF konvertiere ?

Diese Frage stammt aus dem Jahr 2011. Weißt du es heute besser?

Aktuelle Antwort ergänzen

9 Antworten

Hallo!

OCR kenne ich nur als Abk. für Optical Character Recognition. Ist das gemeint? Das ist ja kein Format, sondern nur ein Verfahren, Zeichen zu erkennen. Die Formaterkennung, z.B. Spalten, Tabellen oder Bildunterschriften dient da ja vorrangig der Erkennung der Zusammengehörigkeit von Textzeilen. Da OCR kein PDF „beherrscht“, wird es auch nur wenig davon rüberretten können, und das, was die OCR-Software an z.B. Spalten oder Tabellen erkannt hat, sieht man ja schon in der DOC-Datei. Und die PDF-Datei, die wiederrum daraus erzeugt wird, wird nicht anders aussehen können.

Fortranner

0 Hilfreich

Hi Stefan,

klar, abhängig von der Word-Version, die Du verwendest gibt es entweder einen sehr einfachen oder einen minimalst umständlicheren Weg.

Aber grundsätzlich vorab: OCR bedeutet „Optical Character Recognition“ und bezeichnet nur die Technologie zur Schrifterkennung selber und damit kein Dateiformat.

So, jetzt aber zu den Lösungen selber: wenn Du dein fertig bearbeitetes DOC mit Word 2007 oder 2010 bearbeitet hast, geh einfach auf „Speichern unter“ - „PDF oder XPS“, wähle einen Ordner aus, gib einen Dateinamen an und speichere dort. Zum Öffnen der PDF geh einfach mit dem Windows Explorer in das entsprechende Verzeichnis und doppelklick auf die Datei. Ich sag das deshalb, weil Du die Datei mit Word zwar als PDF speichern, aber nicht öffnen kannst.

Wenn Du eine andere Version von Word oder sonstige Programme verwendest, dann empfehle ich Dir „Free PDF“. Auf der Website http://freepdfxp.de/ gehst Du auf „Download“. Anschließend musst Du zwei Programme herunterladen und installieren: 1. Ghostscript und 2. FreePDF selber.

Nach der Installation beider Programme findest Du FreePDF als neuen Drucker vor. D. h. wenn Du eine PDF erstellen willst, gehst Du auf „Datei“ - „Drucken“ und wählst FreePDF als Drucker aus. Aus technischer Sicht wird dann zunächst aus dem Word-Dokument eine Postscript-Datei erstellt, die dann wiederum vom FreePDF dazu genutzt wird, in eine PDF-Datei zu drucken. (Ich weiß: es klingt seltsam, zum speichern einer Datei in ein anderes Format diese zu drucken, aber die PDF-Technologie gibt das halt so vor).

So, und damit hast Du deine PDF.

Noch ein Tipp: wenn Du ein PDF bekommst, dann kannst Du ggfs. zum Erstellen eines Word-Dokuments sogar auf die OCR verzichten, denn je nach dem, wie das PDF erstellt wurde, verfügt die Datei ggfs. bereits über einen Volltext-Layer. Das kannst Du sehr einfach herausfinden: öffne die PDF, drücke STRG-A um alles zu markieren. Wenn der Volltext-Layer vorhanden ist, wird nun jede einzelne Zeile markiert, wenn nicht, das ganz Dokument. Drück anschließend STRG-C, wechsel in Word und drücke dort STRG-V. Sofern der Volltext-Layer vorhanden war, findest du in Word nun den ganzen Text.

Noch ein Tipp: Du kannst mit der Maus (sofern der Volltext-Layer vorhanden ist) auch einzelne Buchstaben, Wörter, Zeile, Absätze usw. im PDF markieren und wie oben beschrieben kopieren.

Na dann mal viel Erfolg und viele Grüße

Mönsterländer

0 Hilfreich
Antwort auf M_nsterl_nder_22e676zum Beitrag ↑

Hi Stefan, klar, abhängig von der Word-Version, die Du verwendest gibt es entweder einen sehr einfachen oder einen minimalst umständlicheren Weg. Aber grundsätzlich vorab: OCR bedeutet „Optical Character Recognition“ und …

Hey Monster

Danke für die Schnelle Antwort.

Aktuell nutze ich Foxit und habe für den OCR KOnvert. den MODi (Doc imgae von MS) genutzt.

Das Problem bei der re-konvertierung ist dass z.b Bilder also Logos nicht mehr re-konvertiert werden. Auch beim Drucken als PDF wird die Ursprüngliche Formatierung der Original PDF nicht wieder Hergestellt.
Ich werd mir das Morgen noch einmal genauer ansehen und mich mal etwas näher mit dem Ghost script befassen.

Scheinbar besitzt Foxit kein Fulltext layer, wäre dies der fall wäre die verarbeitung wesentlich einfacher zu bewerkstelligen.

0 Hilfreich

Hallo Stefan,

um deine Frage mal kurz zusammen zu fassen:

Du hast eine .doc Datei, und möchtest diese in ein PDF umwandeln?

Habe ich das so richtig verstanden?

Wenn ja, dann funktioniert das wunderbar mit dem Programm „PDFCreator“

http://www.chip.de/downloads/PDFCreator_13009777.html

Damit wird ein Drucker simuliert. Das bedeutet, du öffnest die .doc Datei mit „Word“ und druckst diese aus. Aber als Drucker wählst du dann den simulierten Drucker „PDFCreator“. Dadurch wird die Datei nicht gedruckt, sondern es wird ein PDF erzeugt, welches du speichern kannst.

Gruß Horst

0 Hilfreich

Hallo,

das Umwandeln eines PDF in ein DOC per OCR ist nur eine Krücke mit bedingten Möglichkeiten was die Beibehaltung des Formats angeht. Dieses wird nicht direkt übernommen, sondern das PDF wird vom OCR-Programm wie ein Bild betrachtet, und das OCR-Programm versucht dann zusätzlich zur Erkennung der einzelnen Buchstaben- und Wortbedeutungen auch die vermutliche Formatierung des Ursprungsdokuments nachzuahmen. Wie gesagt: Nachzuahmen! Das OCR-Programm kennt die tatsächliche Formatierung nicht, sondern kann nur versuchen sich dem anzunähern, was es meint an Formatierungen aus dem Biild zu erkennen. Dies kann bei einfachen Formatierungen recht gut funktionieren, ist aber immer fehlerbehaftet. Einzüge, Tabulatoren werden oft zu Leerzeichen, Nummerierungen zu einzelnen Zahlen, Gliederungen gehen verloren, Fußnoten sind nur noch Textboxen, … Kommt ganz darauf an, was ein bestimmtes OCR-Programm kann, und wie gut es im konkreten Einzelfall bestimmte, verwendete Formatierungen erkennen kann, oder auch nicht.

D.h. wenn man das DOC jetzt als Text bearbeitet, und dann wieder in ein PDF verwandelt, enthält dieses ausschließlich die Formatierungen aus dem DOC, die ohne zusätzliche Bearbeitung nur mehr oder weniger nahe an dem sein müssen, was in dem ursprünglichen PDF gesteckt hat. Will man dem wieder möglichst nahe kommen, ist Handarbeit angesagt, und es muss nicht sein, dass man alles wieder so hinbekommt, wie es mal war. Insbesondere wenn die ursprüngliche Datei in einem anderen Programm erstellt wurde, was andere Möglichkeiten als das Programm hat, mit dem dann die nachträgliche Bearbeitung des zurückgewonnenen DOC vorgenommen wird.

Braucht man wirklich ein identisches Dokumentenformat ist dieses Verfahren also normalerweise nicht geeignet. Man braucht hierzu die Ursprungsdatei, aus der das PDF erstellt wurde, um hierin Bearbeitungen vorzunehmen, um dann ein neues PDF zu erstellen.

BTW: Aktuelle Office-Versionen brauchen keinen getrennten PDF-Druckertreiber mehr, sondern können direkt im PDF-Format speichern.

Gruß vom Wiz

0 Hilfreich
Antwort auf Stefan_Werzum Beitrag ↑

Hey Monster Danke für die Schnelle Antwort. Aktuell nutze ich Foxit und habe für den OCR KOnvert. den MODi (Doc imgae von MS) genutzt. Das Problem bei der re-konvertierung ist dass z.b Bilder also Logos nicht mehr re-kon …

Hi,

na ja, die PDF-Datei enthält ja den Layer, die PDF Reader zeigen ja nur den Inhalt an. Allerdings kann Foxit das auch auf dieselbe Art wie der Adobe Reader, allerdings gibt es im Foxit zusätzlich noch eine relativ cleveres Feature. In der Iconleiste des Foxit findest Du so ziemlich in der Mitte einen Button, der so aussieht wie ein Blatt Papier mit einer Brille. Drückst Du da drauf, wird Dir der reine Text des PDF dargetellt. Wie auch immer: das nützt Dir natürlich alles nichts, wenn das PDF nur das reine Bild enthält, aber man sollte das immer als erstes ausprobieren, denn OCR bedeutet immer auch eine kleine Fehlerquelle.

Aber mal zu den Bildern, Logos und der Formatierung: In erster Linie dient OCR dazu, Inhalte auszulesen und damit das Abtippen zu ersparen. Viele OCR-Pakete bieten an, das Originalformat weitestgehend zu erhalten, aber die tatsächlich ursprüngliche Formatierung wird gerade wenn Grafiken ins Spiel kommen, so gut wie nie wirklich erreicht. Auf der anderen Seite ist das auch ein durchaus gewollter Effekt, denn damit soll verhindert werden, dass veränderte Dokumente nicht mehr von den Originalen unterschieden werden können. Das hat halt nicht nur damit zutun, dass das geistige Eigentum an einem Layout dem Ersteller selber gehört, sondern betrifft auch Sicherheitsaspekte in Richtung Revisionssicherheit. Wäre es so ohne weiteres möglich, das Format so wieder herzustellen, dass es nicht mehr vom Original nicht mehr unterschieden werden kann, könnte man im Prinzip ja z. B. Eingangsrechnungen fälschen usw., was natürlich aus rechtlicher Sicht schon ein Steuerstraftat bedeutet usw.

Also insofern: wenn Du fremde Dokumente hast, die Du ausliest, nutz die OCR zur Arbeitserleichterung, aber niemals zum Fälschen von Originaldokumenten und bei eigenen Dokumenten musst Du halt in den sauren Apfel beißen, ggfs. dein eigenes Layout neu zu erstellen.

Viele Grüße

Mönsterlönder

0 Hilfreich
Antwort auf M_nsterl_nder_22e676zum Beitrag ↑

Hi, na ja, die PDF-Datei enthält ja den Layer, die PDF Reader zeigen ja nur den Inhalt an. Allerdings kann Foxit das auch auf dieselbe Art wie der Adobe Reader, allerdings gibt es im Foxit zusätzlich noch eine relativ cl …

) Nein ich hab nicht vor ein Original zu Fälschen.

Das Original ist Durchaus von mir, einer Geschichtspräsentation (von mir selbst) die vor 3-4 Jahren in nem Grund studienkurs genutzt wurde.

Inzw. ist es durch viele neue Erkentnisse einfach Notwendig geworden diese zu überarbeiten.

Ich hatte gehofft mir durch konvertieren zu DOc und re-konvertieren die Arbeit ersparen zu können rund 40 PDF völlig neu Erstellen zu müssen.

0 Hilfreich
Antwort auf M_nsterl_nder_22e676zum Beitrag ↑

Hi, na ja, die PDF-Datei enthält ja den Layer, die PDF Reader zeigen ja nur den Inhalt an. Allerdings kann Foxit das auch auf dieselbe Art wie der Adobe Reader, allerdings gibt es im Foxit zusätzlich noch eine relativ cl …

) Nein ich hab nicht vor ein Original zu Fälschen.

Das Original ist Durchaus von mir, einer Geschichtspräsentation (von mir selbst) die vor 3-4 Jahren in nem Grund studienkurs genutzt wurde.

Inzw. ist es durch viele neue Erkentnisse einfach Notwendig geworden diese zu überarbeiten.

Ich hatte gehofft mir durch konvertieren zu DOc und re-konvertieren die Arbeit ersparen zu können rund 40 PDF völlig neu Erstellen zu müssen.

Edit: Gerad ein Punkto DIagramme und dergleichen. Ich hab inzw auch versucht die neuen, überarbeiteten DIagramme über das Original zu legen, dies zu scannen und dann (damit es net ganz so grauselig aussieht) die konturen z.b mit paint etwas nach zu bearbeiten.

Aber auch das geht nicht, da schrift etc. ,also schärfe total verschwimmt wenn ich zuerst ne PGN oder Jpeg draus mache. Tiff ists ebenso.

0 Hilfreich
Antwort auf Stefan_Werzum Beitrag ↑

) Nein ich hab nicht vor ein Original zu Fälschen. Das Original ist Durchaus von mir, einer Geschichtspräsentation (von mir selbst) die vor 3-4 Jahren in nem Grund studienkurs genutzt wurde. Inzw. ist es durch viele neue …

Das ist ein ganz typisches Beispiel für den Sinn und Zweck einer PDF-Datei, also seine Arbeit in einem nicht veränderbaren Format zu veröffentlichen. Klar, wenn die Orignaldatei(en) und Originalgrafiken nicht mehr verfügbar sind, bedeutet das einfach viel Arbeit, denn man kommt eigentlich nicht darum, ein neues Original zu erstellen.

Bei den Grafiken ist das auch logisch, dass diese verzerren, denn wenn eine skalierbare Grafik (z. B. als Bitmap) in ein Dokument eingefügt wird, wird die Größe festgelegt, also dem Layout angepasst und anschließend ein PDF daraus erzeugt. Da es nicht im eigentlichen Sinne der PDF liegt, wieder verändert zu werden, sind Grafiken halt auch nicht mehr skalierbar, d. h. die Größe, Auflösung und Bittiefe ist fix. Dafür spart es ja auch entsprechend Speicherplatz und hält die Größe der PDF in Grenzen.

Na ja, immerhin sollte das Textergebnis nutzbar sein, so dass nicht alles wieder abgetippt werden muss.

0 Hilfreich

Deine Antwort

Zum Antworten bitte anmelden oder kostenlos registrieren.