OCR als Methode, um Text maschinenlesbar zu machen#
Feinlernziel(e) dieses Kapitels
Sie sind mit der Methode der Optical Character Recognition vertraut und kennen unterschiedliche OCR-Tools.
Optical Character Recognition (OCR) ist eine Technologie, die es ermöglicht, gedruckten oder handgeschriebenen Text in Dokumenten oder Bildern in maschinenlesbaren Text umzuwandeln. OCR-Software analysiert das Layout des Dokuments, erkennt die Formen der Buchstaben und Zahlen und wandelt diese in digitale Texte um, die weiterverarbeitet werden können.
Warum benutzen wir OCR?#
Digitalisierung von Dokumenten: OCR ermöglicht die Umwandlung von physischen Dokumenten in digitale Formate, wodurch Speicherplatz gespart und der Zugriff auf Informationen erleichtert wird.
Suchbarkeit: Texte in Bildern oder gescannten Dokumenten können nach der OCR-Verarbeitung durchsucht werden. Dies erleichtert das Auffinden von Informationen in großen Dokumentensammlungen.
Bearbeitbarkeit: Mit OCR umgewandelte Texte können bearbeitet und weiterverarbeitet werden. Dies ist besonders nützlich für die Aktualisierung oder Korrektur von Dokumenten.
Automatisierung: OCR ermöglicht die Automatisierung vieler Prozesse, wie z.B. die Verarbeitung von Formularen, Rechnungen oder anderen Dokumenten in Unternehmen. Dies spart Zeit und reduziert menschliche Fehler.
Barrierefreiheit: OCR kann dabei helfen, gedruckte Texte für sehbehinderte Menschen zugänglich zu machen, indem die Texte in eine digitale Form gebracht und dann mittels Screenreadern vorgelesen werden.
Archivierung und Langzeitlagerung: Durch die Digitalisierung und OCR können wichtige Dokumente sicher archiviert und langfristig gespeichert werden, ohne dass sie an Qualität verlieren.
Welche Software verwenden wir um OCR auszuführen#
Die OCR-Technologie wird zunehmend in grundlegende Softwareanwendungen, wie z. B. verschiedene PDF-Viewer-Programme, integriert. Tools wie MacOS ‘Preview’ oder Adobe Acrobat verfügen über integrierte OCR-Funktionen. Diese sind jedoch nicht für die Massenverarbeitung von Korpora geeignet. Daher benötigt man nach wie vor spezialisierte OCR-Software oder Programmpakete, um große Mengen an Bildern/PDFs in maschinenlesbare Korpora zu verarbeiten.
Spezialisierte OCR-Tools#
Das Feld der OCR-Tools entwickelt sich rasant (zusammen mit allen anderen Bereichen der Textverarbeitung), sodass es immer neue Tools gibt, die die alten herausfordern. Aber Stand 2024 waren die bekannten Produkte:
FineReader (Closed Source, kommerziell)
Tesseract (Open Source)
OCR4all (Open Source)
Kraken & e-Scriptorium (Open Source)
EasyOCR (Open Source)
OCR in Python mit PyTesseract#
In diesem Tutorial werden wir OCR mit Tesseract durchführen, das offen und kostenlos ist. Wir verwenden das Python-Paket PyTesseract.