OCR-redactie: gescande PDF's bewerkbaar krijgen voor redactie
Een gescande PDF is een serie afbeeldingen, geen tekst. Zoeken en redigeren werkt niet zonder OCR. Hier de workflow.
Veel documenten komen binnen als gescande PDF — ondertekende contracten, oude archiefstukken, doctors-brieven. Tekst is voor mensen leesbaar, voor software zijn het afbeeldingen. OCR zet het om.
Het verschil
- Tekst-PDF: onderliggend zijn er text-objecten. Zoeken werkt, copy-paste werkt, redactie werkt.
- Image-PDF: alleen raster-afbeeldingen. Zoeken werkt niet, tekst is niet selecteerbaar. Moet eerst door OCR.
OCR-kwaliteit varieert
- Goed gescand papier (300+ DPI): 98-99% karakter-accuratie met moderne OCR (Tesseract 5, Azure Read, Google Vision).
- Slecht gescand / gekreukeld / vieze kopie: 70-90%. Handmatig verifiëren nodig.
- Handgeschreven: apart model nodig, 60-85% bij goed leesbare handschriften.
Workflow voor redactie met OCR
- OCR toepassen op PDF (Acrobat heeft dit, open-source Tesseract ook).
- Zoeken op gevoelige patronen (BSN, e-mail, telefoon).
- Geïdentificeerde regio's redigeren.
- Output als text-plus-image of alleen image afhankelijk van doel.
- Verificatie: scan de output nogmaals met OCR, check of gevoelige tekst niet meer te vinden is.
Specifieke valkuil
Als je OCR doet en daarna redigeert op tekst-niveau, maar het resultaat als afbeelding exporteert, kun je toch nog gevoelige data in de achtergrond-tekstlaag hebben. Zorg dat je de tekstlaag óók redigeert, niet alleen de visuele.
Zie ook: redactie-pillar, pattern mode.
Gevoelige gegevens echt onleesbaar maken
Met onze PDF-tool lak je tekst zo weg dat hij ook met kopiëren of zoeken niet meer terug te halen is.
Naar de PDF-tool →Volledige gids: PDF redaction for SMBs: the complete guide
Dit artikel hoort bij onze gids over PDF redactie. Daar staat het hele verhaal op één plek.
Lees de volledige gids →