BMP in TXT umwandeln

Kein Amt und kein Betrieb entscheidet sich heute bewusst für BMP. Diese Dateien stammen fast immer aus einer Zeit, in der ein Faxgerät oder ein altes Scanner-Treiberpaket eine Seite als Bitmap ablegte, weil das damals der Standardweg war — und in vielen deutschen Behörden, Arztpraxen und Kanzleien lief das Faxgerät noch deutlich länger, als es die Digitalisierung der Verwaltung eigentlich vorsah. Das Onlinezugangsgesetz sollte diese Lücke schließen, aber die alten Bestände liegen trotzdem noch auf Netzlaufwerken herum.

Wer heute so einen Ordner öffnet, hat selten ein einzelnes Bild vor sich, sondern eine gewachsene Ablage: eingehende Faxe aus zwanzig Jahren, gescannte Formulare, Anträge, die nie ein zweites Mal erfasst wurden. Der Anlass, sie jetzt in Text umzuwandeln, ist fast immer eine Migration — das alte System wird abgeschaltet, und die Inhalte müssen vorher lesbar herausgeholt werden, solange noch jemand weiß, wo sie liegen.

Das ist keine Formatumwandlung im üblichen Sinn, sondern Texterkennung: Ein Programm namens Tesseract liest die Bildpunkte und entscheidet, welche Buchstaben und Wörter darin zu sehen sind. Das Ergebnis ist eine Vermutung, die meistens richtig liegt, aber eine Vermutung bleibt — kein originalgetreues Abschreiben und keine rechtssichere Übertragung.

Das Programm läuft dabei vollständig im eigenen Browser. Anders als bei den meisten Texterkennungsdiensten im Netz wird die Bilddatei nicht irgendwohin geschickt, und selbst die Erkennungssoftware selbst wird nicht von einem fremden Server nachgeladen, sondern liegt auf dieser Seite bereit — bei einer eingescannten Rechnung, einem Arztbrief oder einem Antragsformular kein nebensächliches Detail.

Eine BMP-Datei kostet drei Byte je Bildpunkt und komprimiert nichts, weshalb sich ihre Größe direkt aus der Auflösung ergibt, mit der gescannt wurde. Eine DIN-A4-Seite bei 300 dpi liegt bei etwa 26 Megabyte, dieselbe Seite bei 150 dpi bei rund 6,5 Megabyte. Eine Datei von nur ein paar hundert Kilobyte wurde mit einer Auflösung gescannt, bei der zuverlässige Texterkennung von vornherein schwierig wird.

Das lässt sich vor dem Umwandeln eines ganzen Archivs prüfen, statt es hinterher an schlechten Ergebnissen zu bemerken — einfach die Dateien nach Größe sortieren. Weil BMP nichts komprimiert, ist die Dateigröße hier ein direktes Maß für die Bildqualität, was bei fast keinem anderen Format so unmittelbar funktioniert.

Ein großer Teil dieser alten Bestände wurde zweifarbig gescannt — jeder Bildpunkt entweder reines Schwarz oder reines Weiß, weil Speicherplatz früher teuer war und ein Bit pro Pixel ein Achtel des Platzes einer Graustufenversion brauchte. Faxgeräte arbeiten grundsätzlich so.

Die Texterkennung braucht aber genau die Graustufen, die dabei verschwunden sind. Feine Linien einer schmalen Schrift, ein blasser Stempelabdruck oder eine leicht verwackelte Unterschrift lösen sich ohne diese Zwischenwerte in Fragmente auf. Existiert das Papier noch, ist ein erneuter Scan in Graustufen bei 300 dpi jeder nachträglichen Bearbeitung überlegen — an dieser Stelle lässt sich nichts nachträglich reparieren.

Verfügbar sind Deutsch, Englisch, Französisch und Spanisch, und die Wahl ist keine Formsache. Die Erkennung vergleicht Formen mit den Buchstaben und dem Wortschatz genau einer Sprache, und bei der falschen Einstellung meldet sie keinen Fehler, sondern liefert die nächstbeste Übereinstimmung innerhalb einer Sprache, die gar nicht zutrifft.

Das Ergebnis liest sich dann flüssig und ist trotzdem falsch — Umlaute werden zu anderen Zeichen, Wörter sehen fast richtig aus. Bei einem größeren Archiv lohnt es sich, die Spracheinstellung an der ersten Datei zu prüfen statt an der hundertsten, denn ein ganzer Stapel in der falschen Sprache erzeugt einen Ordner plausibel wirkender, aber unbrauchbarer Texte.

Das ist die einzige Engine auf dieser Seite, die überzeugt falsch liegen kann, statt nur unvollkommen zu sein. Ein Werkzeug, das ein Bild in ein anderes Format umwandelt, funktioniert entweder oder meldet einen Fehler. Dieses hier liefert Text, der wie Text aussieht, egal ob er dem entspricht, was auf der Seite tatsächlich stand — ohne jede Markierung an den unsicheren Stellen.

Besonders bei Ziffern ist das riskant, weil es dafür keinen Wortschatz gibt, der eine falsche Erkennung auffällig macht — ein falscher Buchstabe ergibt meist kein Wort, eine falsche Ziffer ergibt fast immer eine plausible Zahl. Wer eine Rechnungssumme, ein Aktenzeichen oder ein Datum aus einem alten Faxarchiv weiterverwendet, sollte diese Stellen im Original gegenlesen, bevor sie irgendwo eingetragen werden.

Herauskommt reiner Text — keine Spalten, keine Tabellen, keine Überschriften, keine Position auf der Seite. Ein einspaltiger Brief oder ein Vermerk kommt in der richtigen Reihenfolge zurück, was für den größten Teil eines Verwaltungsarchivs zutrifft.

Alles Strukturierte verliert dabei an Wert. Ein zweispaltiges Formular kann verschränkt zurückkommen, weil die Erkennung zeilenweise über beide Spalten hinweg liest. Ein Antragsformular verliert die Zuordnung zwischen Feldbezeichnung und eingetragenem Wert vollständig, weil beides nur noch als Wortfolge nebeneinander steht.

Jedes Ergebnis behält den ursprünglichen Dateinamen mit geänderter Endung, sodass die Reihenfolge der Textdateien der Reihenfolge der Scans entspricht — üblicherweise so, wie eine Ablage sie vor vielen Jahren vergeben hat. Namen mit führenden Nullen sortieren sich richtig, Namen ohne diese Nullen nicht, und ein Bestand, der bis zur Seite zehn reicht, sortiert diese direkt hinter Seite eins.

Die tückische Fehlerart ist die stille: Eine Seite, auf der nichts erkannt wurde, kommt als leere Textdatei zurück statt als Fehlermeldung. Ein leeres Trennblatt, eine verkehrt herum eingescannte Seite und eine Seite mit zu schwachem Kontrast sehen im Ergebnisordner alle gleich aus. Nach Dateigröße sortieren und die kleinsten Dateien zuerst öffnen, findet diese Fälle in wenigen Minuten.

Der ganze Ordner lässt sich auf einmal ablegen, jede Datei wird nacheinander gelesen, und die Ergebnisse kommen gesammelt zurück, mit dem jeweils ursprünglichen Dateinamen. Die Erkennung wird für die gewählte Sprache einmal gestartet und für alle Dateien weiterverwendet, sodass ein Stapel von vierzig Seiten nicht vierzig Mal die anfängliche Ladezeit kostet.

Es bleibt trotzdem das langsamste Werkzeug auf dieser Seite, mit deutlichem Abstand — die Grenze von hundert Megabyte je Datei spielt dabei praktisch keine Rolle, entscheidend ist die Zeit. Ein größeres Archiv sollte man starten und später prüfen, nicht daneben abwarten, und die ersten Ergebnisse gegenlesen, bevor man den Rest laufen lässt.

Sind die Scans gut lesbar, aber am Ende soll ein Dokument stehen und keine Textabschrift, ist eine Umwandlung der Bitmaps zu PDF mit erhaltenem Bild oft die passendere Lösung — die Texterkennung lohnt sich nur, wenn jemand die Wörter tatsächlich durchsuchen oder weiterverwenden muss.

Und wenn die ersten Ergebnisse eines Archivs bereits schwach ausfallen, ist die ehrliche Schlussfolgerung meistens, dass die Vorlage keine automatische Erkennung erlaubt. Ein zweifarbig gescanntes altes Fax einer Durchschrift hat eine Grenze, die kein Werkzeug überwindet — das nach fünf statt nach fünfhundert Seiten zu wissen, ist der eigentliche Nutzen dieser Prüfung.