Dokument einlesen

Nach „Neuer Vorgang“ wählen Sie das Quelldokument. Unterstützt werden neben PDF alle gängigen Office- und Bildformate (Word, Excel, Bilder, TIFF u. v. m.) — das Dokument wird zunächst in ein PDF-Abbild konvertiert und anschließend per Texterkennung (OCR) erfasst:

Der Fortschritt läuft in der Fußzeile; Abbrechen (Esc) bricht das Einlesen ab. Die Dauer hängt von der Seitenzahl, den gewählten OCR-Sprachen und der Textquelle ab (siehe Einstellungen → Texterkennung). Nach Abschluss zeigt die Statuszeile Seiten- und Wortzahl, z. B. „Fertig — 2 Seiten, 450 Wörter“.

Unterstützte Formate

pdf, docx, xlsx, pptx, odt, txt, csv, log, eml, msg, html, htm, png, jpg, jpeg, tif, tiff

Word-, Excel-, PowerPoint- und Textdateien lassen sich später auch wieder im Originalformat speichern.

Vorhandener Text oder Texterkennung

Viele PDFs bringen bereits eine Textebene mit — etwa durchsuchbare Scans. Ob die Anwendung diesen vorhandenen Text übernimmt oder die Seiten per Texterkennung neu liest, legt die Einstellung Textquelle fest. In der Standardeinstellung Automatisch wird vorhandener Text übernommen und um die Texterkennung für Seiten ohne Text sowie für Bilder auf den Seiten ergänzt. Die übrigen Varianten beschreibt Einstellungen → Texterkennung. Eine geänderte Einstellung gilt ab dem nächsten Einlesen.

Ablauf im Detail

Beim Einlesen durchläuft das Dokument sichtbar die Phasen Konvertiere nach PDF → Normalisiere Seiten → OCR (Texterkennung) → Extrahiere Text → Erzeuge Seitenvorschauen → Dokumentenanalyse.

Wichtig

Die Texterkennung ist die Grundlage aller Wort-Werkzeuge. Handschrift, Stempel oder stark verrauschte Scans, die die OCR nicht erfasst, lassen sich nicht als „Wort“ schwärzen — dort hilft die Rechteck-Schwärzung, und der Schalter Erkennungen zeigen macht sichtbar, wo die OCR nichts gefunden hat.