Unlimited OCR 2: Gescannte PDF in Text und Tabellen umwandeln

Was ergänzt Unlimited OCR 2?

Baidu beschreibt strukturierte Erkennung von Überschriften, Absätzen und Tabellen sowie deren Zusammenführung über Seitenwechsel hinweg. Der Release zielt auf sehr lange Dokumente. Unlimited garantiert aber keine unbegrenzte Onlinenutzung: Prüfe Dienstlimits und Betriebsanforderungen.

Quellen: Baidu: Unlimited OCR 2 release and public test

Gescannte PDF in Text: drei Arbeitsschritte

Bestimme zuerst den Eingabetyp. Nicht auswählbarer Text kann OCR erfordern. Lässt sich Text auswählen, aber die Tabelle landet in falschen Spalten, prüfe die Layoutextraktion. Halte Originalseiten und extrahierte Fassung zum Strukturvergleich nebeneinander.

Prüfe danach Kennungen, Daten, Dezimaltrennzeichen, Minuszeichen und Spaltenüberschriften. Bewahre die Quellseite jeder Zeile. Eine verschobene Spalte macht aus einer korrekten Zahl eine falsche Aussage.

Lass den Assistenten schließlich nur aus dem geprüften Text antworten. Verlange für wichtige Aussagen Quellenverweise und bei fehlenden Angaben ausdrücklich unbekannt. Trenne Abschrift und Interpretation.

Tabellen über mehrere Seiten prüfen

Wiederholte Überschriften sind Beschriftungen, keine zusätzlichen Datenzeilen. Addiere eine Zwischensumme nicht nochmals zu ihren Einzelposten. Prüfe beim Zusammenführen fortgesetzter Zeilen die Kennung: Ähnliche Beschreibungen können zu unterschiedlichen Datensätzen gehören.

Zähle vor dem Tabellenexport die ursprünglichen Zeilen, prüfe die Einheit jeder Zahlenspalte und rechne mindestens eine Summe nach. Lass unklare Zeichen unklar, statt ihre Bedeutung erraten zu lassen.

Dokumentanalyse mit bekannter Lösung ausprobieren

Die fiktive Textübung prüft das Denken nach der Extraktion, nicht das OCR-Modell. Ein Upload ist unnötig. Richtig sind A17 = 40 Einheiten, B22 = 25 und insgesamt 65. Die wiederholte Überschrift wird nicht mitgerechnet; beide Zahlungsstatus sind unbekannt.

Erklärt der Assistent die Rechnungen für bezahlt, verdoppelt eine Zeile oder zählt eine Überschrift als Posten, ist das Ergebnis falsch. Verlange die Quellseite für jede Zeile, bevor du sie weiterverwendest.

Nutze nur dieses fiktive extrahierte Dokument. Seite 1: Überschrift Rechnung | Betrag; Zeile A17 | 40 Einheiten. Seite 2: wiederholte Überschrift Rechnung | Betrag; Zeile B22 | 25 Einheiten. Ein Zahlungsstatus ist nicht angegeben. Erstelle eine Tabelle mit Rechnungs-ID, Betrag, Quellseite und Zahlungsstatus. Addiere beide Beträge jeweils einmal. Markiere den fehlenden Zahlungsstatus als unbekannt. Erkläre, warum wiederholte Überschriften keine Datenzeilen sind. Unterstelle keine Zahlung und erfinde keine fehlenden Angaben.

Ein OCR-Werkzeug für deine Dokumente auswählen

Teste vor einem ganzen Archiv eine saubere Seite, einen schlechten Scan, ein mehrspaltiges Dokument und eine geteilte Tabelle. Prüfe Sprache und Schrift deiner Dateien. Erfolg bei einer Sprache oder sauberen Vorlage beweist keine allgemeine Genauigkeit.

Prüfe bei vertraulichen Inhalten vor dem Upload Verarbeitungsort und Datenschutzbedingungen. Nutze für die Erprobung fiktive oder geschwärzte Beispiele. Offene Gewichte und ein gehosteter Dienst sind unterschiedliche Betriebswege mit unterschiedlichen Anforderungen.

Nützlich sind nachvollziehbare Daten, die du kontrollieren kannst. Miss neben Geschwindigkeit auch Korrekturzeit und fehlende Zeilen. Schnelle Ausgabe hilft nicht, wenn jemand die Tabelle neu aufbauen muss.