Eine aus OCR konvertierte doc wieder auf PDF konv

Computer: Software & Programmierung Office Software
1

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 ?

2

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

3

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.

4

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

5

) 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.

6

) 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.

7

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.