PDF-OCR-Workflow im Dokumentenarchiv

Aufgabenstellung

Das PDF-OCR-Tool wird eingesetzt, um gescannte oder bildbasierte PDF-Dokumente automatisiert auf eine vorhandene Textschicht zu prüfen und diese bei Bedarf zu erzeugen. Ziel ist eine einheitliche, durchsuchbare und langfristig nutzbare Dokumentbasis.

• Erkennung vorhandener Textschichten
• OCR-Verarbeitung bildbasierter Seiten
• Erzeugung einer unsichtbaren Textschicht
• Optionale PDF/A-Erstellung für die Langzeitarchivierung
• Nachvollziehbare Protokollierung der Verarbeitung

Meine Aufgabenstellung

Vorhandene PDFs sollen nur dann eine neue OCR-Textschicht erhalten, wenn dies erforderlich ist. Das Original muss unverändert bleiben, der Lauf muss prüfbar sein und Fehler dürfen nicht unbemerkt als fertiges Ergebnis abgelegt werden.

Beschreibung des PDF-OCR-Tools

Mini-DMS ist die zentrale Bedienoberfläche meiner Werkzeugkette. Die Oberfläche wählt Basisordner, startet die rekursive Prüfung, sperrt parallele Läufe, kann einen laufenden Unterprozess abbrechen und schreibt für jeden Lauf ein eigenes Protokoll. Ein zweiter Reiter steuert die Umbenennung des exportierten ELO-Bestands.

Das Tool prüft PDF-Dateien auf vorhandene Textschichten. Fehlt eine nutzbare Textrepräsentation, wird eine OCR-Verarbeitung durchgeführt und die Textschicht ergänzt.

• Analyse bestehender Textschichten
• Seitenweise OCR bei Bedarf
• Erhalt des originalen Seitenbilds
• Erzeugung einer durchsuchbaren PDF-Datei

Tool-Architektur und Arbeitsweise

Der OCR-Workflow ist modular aufgebaut und trennt Analyse, Erkennung und Archivierungsschritte sauber voneinander.

• PDF-Analyse
• Bildextraktion
• OCR-Erkennung
• Zusammenführung
• Archivkonforme Ablage

OCR im dateibasierten Dokumentenarchiv

Im dateibasierten Dokumentenarchiv wird OCR nicht pauschal auf jedes Dokument angewendet. Der Workflow prüft PDF-Dateien zuerst auf eine vorhandene Textschicht und erzeugt nur dann eine zusätzliche OCR-Fassung, wenn diese tatsächlich fehlt.

Die Verarbeitung ist bewusst dateisystemnah aufgebaut: PDF-Bestände werden rekursiv durchsucht, vorhandene OCR-Fassungen werden im Normalbetrieb nicht erneut erzeugt und die bestehende Ordnerstruktur bleibt erhalten. Dadurch bleibt nachvollziehbar, aus welchem Eingangsdokument eine durchsuchbare Fassung entstanden ist.

PDF-Bestand
        |
        v
Textschicht prüfen
        |
        +-- vorhanden: Datei überspringen
        |
        +-- fehlt: OCR-Fassung als *_ocr.pdf erzeugen
        |
        v
Ordnerstruktur bleibt unverändert

Eingesetzt werden dabei Python, OCRmyPDF, Tesseract OCR und Ghostscript. Python steuert den Ablauf, OCRmyPDF verbindet Texterkennung, PDF-Verarbeitung und optionale PDF/A-Ausgabe zu einer durchsuchbaren PDF-Datei.

Archivmodus: Original bleibt, OCR daneben

Die praktische Werkzeugidee folgt einem einfachen Archivgrundsatz: Die Wahrheit bleibt im Dokument selbst. Das Ausgangs-PDF wird nicht still überschrieben, sondern bleibt am ursprünglichen Ort erhalten. Die OCR- oder PDF/A-Fassung entsteht als abgeleitete Datei daneben.

Im Archivmodus erzeugt das lokale Tool je nach Einstellung eine zusätzliche Datei mit einer klaren Rolle: eine OCR-Fassung für Durchsuchbarkeit oder eine PDF/A-Fassung für langfristige Lesbarkeit. Bereits erzeugte Ergebnisdateien werden im Normalfall übersprungen, wenn eine Textschicht vorhanden ist. So wird vermieden, dass ein stabiler Bestand unnötig erneut verarbeitet wird.

Vor der Verarbeitung prüft das Werkzeug die lokale Umgebung: OCRmyPDF, Tesseract OCR und Ghostscript müssen erreichbar sein. Ein Vorab-Scan erkennt, welche PDF-Dateien verarbeitbar sind, welche bereits eine OCR- oder PDF/A-Version besitzen und welche abgeleiteten Dateien nicht erneut als Quelle dienen sollen.

Auch die Ersetzen-Funktion bleibt bewusst begrenzt: Sie darf abgeleitete OCR- oder PDF/A-Ergebnisse neu erzeugen, aber nicht das Original löschen. Damit ist das Tool ein Ordnungs- und Erschließungshelfer im Dokumentensilo, kein Werkzeug zum unkontrollierten Umbau des Archivbestands.

Eingesetzte Programme

Zur Umsetzung des OCR-Workflows werden etablierte lokale Werkzeuge eingesetzt. Die Verarbeitung erfolgt ohne Cloud-Upload und ohne externe Tracking- oder Marketingdienste:

• Python als Steuerungsebene für rekursive Prüfung und Verarbeitung
• OCRmyPDF zur Erzeugung durchsuchbarer PDF-Dateien
• Ghostscript zur PDF-Analyse und PDF/A-Erstellung
• Tesseract OCR als OCR-Engine

Zusätzlich prüft der Workflow, ob die benötigten Programme vorhanden sind. Fehlt eine Komponente, verweist die Dokumentation auf die offiziellen Bezugsquellen. Installationen und Versionen werden jedoch bewusst kontrolliert vorgenommen, damit produktive Archivbestände nicht durch unklare Programmpfade oder Mehrfachinstallationen belastet werden.

Oberfläche und Systemprüfung

Die Oberfläche ist bewusst nüchtern aufgebaut: Ordnerauswahl, Systemprüfung, sichtbare Befehlszeile, Archivoptionen, Fortschritt, Statistik und Live-Protokoll bleiben in einem Fenster nachvollziehbar.

Die Detailansicht der Systemprüfung zeigt die verwendeten Komponenten einzeln an. So lässt sich vor produktiven OCR-Läufen nachvollziehen, ob Python, OCRmyPDF, Tesseract OCR und Ghostscript erreichbar sind.

Veröffentlichung und Bereitstellung

Der Workflow kann im Web als fachlicher Ablauf beschrieben werden: Welche Prüfung stattfindet, welche Programme beteiligt sind, wie Originaldateien geschont werden und warum OCR für die Auffindbarkeit im Archiv notwendig ist. Die eigentliche Skriptdatei wird dagegen nicht frei zum Download angeboten.

Eine Bereitstellung erfolgt projektbezogen auf Anfrage. Dadurch können Pfade, Programmversionen, Sicherheitsanforderungen, Ablagestrukturen und Verantwortlichkeiten vor dem Einsatz geklärt werden. Das ist besonders wichtig, wenn größere Dokumentenbestände oder Kundendaten verarbeitet werden.

Qualität, Fehlerquellen, Grenzen

OCR-Ergebnisse sind abhängig von der Qualität der Vorlage. Unscharfe Scans, ungewöhnliche Schriftarten oder komplexe Layouts führen zu schlechteren Ergebnissen.

Meine Prüfpunkte

• Systemprüfung für Python, OCRmyPDF, Tesseract und Ghostscript vor dem Lauf
• Trockenlauf und Protokoll vor der eigentlichen Produktion
• unverändertes Original und getrennte OCR-Fassung im Archivmodus
• bewusste Bestätigung vor dem Ersetzen vorhandener OCR-Dateien
• Sichtkontrolle bei gemeldeten Sonderfällen

Praxis-Checkliste für Archiv-OCR

• Scans in ausreichender Qualität erstellen
• Vorhandene Textschichten prüfen
• Original-PDF unverändert lassen und OCR/PDF-A als abgeleitete Datei erzeugen
• Regelbasiertes Umbenennen nur als Arbeitshilfe verstehen
• Technische OCR-Suffixe nach einem Kontrolllauf bereinigen
• OCR-Läufe dokumentieren
• PDF/A für Langzeitarchivierung erwägen
• Ergebnisse stichprobenartig kontrollieren

Archivischer Hinweis

Für meinen Bestand ist entscheidend, dass Windows und die Synology NAS den erkannten Text tatsächlich indizieren und die OCR-Fassung die technische Prüfung besteht.