JPG in TXT umwandeln

Die Kassensicherungsverordnung schreibt seit Januar 2020 vor, dass jede Kasse einen Beleg ausdrucken muss — die sogenannte Bonpflicht. Wer das für die Spesenabrechnung oder die eigene Steuererklärung aufheben will, landet schnell bei einem Schuhkarton oder einem Handyordner voller Thermopapier-Fotos, weil der Beleg selbst binnen Monaten grau wird.

Text aus so einem Foto herauszuholen ist genau der Fall, für den diese Seite gebaut ist: ein Beleg, ein Brief, eine Seite aus einem Vertrag, fotografiert statt gescannt, mit dem Ziel, die Zahlen und Zeilen als durchsuchbaren Text zu haben, bevor das Original endgültig verblasst.

Texterkennung erkennt Formen und entscheidet, welche Buchstaben sie sind. Sie weiß nicht, was auf dem Beleg stehen sollte, und sie kann nicht sagen, wie sicher sie sich bei einer einzelnen Zeile war — das Ergebnis sieht flüssig und vollständig aus, auch wenn einzelne Zeichen falsch erkannt wurden.

Das ist der wichtigste Satz auf dieser Seite. Bei Zahlen lohnt sich der Vergleich mit dem Original besonders: Eine falsch erkannte Ziffer in einem Rechnungsbetrag oder einer Kontonummer ist genau der Fehler, der bei einem schnellen Blick durchrutscht und später Ärger macht.

Die Erkennung läuft mit Modellen für Englisch, Deutsch, Französisch und Spanisch — mehr Sprachen bietet dieses Werkzeug nicht an. Voreingestellt ist Englisch, und eine nicht erkannte Spracheinstellung fällt still auf Englisch zurück, ohne Hinweis.

Für einen deutschen Kassenbon oder Brief bedeutet das: Deutsch als Sprache auswählen, bevor konvertiert wird, nicht danach. Bei falscher Spracheinstellung liefert die Erkennung keinen Fehler, sondern plausibel aussehenden Unsinn — Umlaute werden verstümmelt, Wörter, die es fast gibt, entstehen aus Wörtern, die es wirklich gibt.

Gerade, gut ausgeleuchtete, scharfe Druckschrift in ordentlicher Größe kommt nahezu fehlerfrei heraus. Jede Verschlechterung des Fotos verschlechtert das Ergebnis, ungefähr in dieser Reihenfolge: zuerst der Fokus, dann Schatten über dem Text, dann der Winkel, aus dem fotografiert wurde, dann die Größe der Schrift im Bild.

Bei Thermopapier-Kassenbons kommt ein zweites Problem dazu: Kontrast, der mit der Zeit von selbst verschwindet. Ein frisch gedruckter Bon lässt sich gut fotografieren, ein drei Monate alter, im Portemonnaie gefaltet gewesener, kaum noch — hier hilft nur, möglichst früh zu fotografieren, nicht erst bei der Steuererklärung im Folgejahr.

Das Blatt flach hinlegen und senkrecht von oben fotografieren statt schräg vom Stuhl aus. Für gleichmäßiges Licht seitlich statt von hinten beleuchten, damit kein Schatten über die Zeilen fällt. Das Bild randfüllend mit dem Beleg belichten und vor dem Auslösen fokussieren, statt aus der Hand zu schießen.

Zehn Sekunden für diese vier Schritte bringen mehr als jede nachträgliche Bearbeitung. Der Umkehrschluss stimmt genauso: Ein Foto, das bereits schräg, unscharf oder im Schatten aufgenommen wurde, lässt sich hinterher nicht mehr reparieren, egal welche Sprache eingestellt ist.

Das Ergebnis ist einfacher Text ohne Spalten, Tabellen, Überschriften oder Positionsangaben. Ein einspaltiger Brief kommt lesbar und in der richtigen Reihenfolge heraus. Ein zweispaltiges Layout dagegen oft mit vermischten Spalten, weil die Erkennung Zeilen liest, die optisch wie Zeilen aussehen, unabhängig davon, zu welcher Spalte sie gehören.

Ein Formular ist der schwierigste Fall: Bezeichnung und Wert landen oft nebeneinander im Fließtext, und eine Tabelle wird zu einer Zahlenreihe ohne erkennbare Spaltenzugehörigkeit. Bei einem Kassenbon mit klaren Zeilen für Artikel und Preis funktioniert das meist gut; bei einem amtlichen Formular lohnt es sich eher, ein Feld nach dem anderen zu fotografieren.

Die Erkennung ist auf Druckschrift trainiert, wo ein Buchstabe eine von wenigen tausend Formen annimmt. Handschrift ist das nicht: Jede Person schreibt anders, und dieselbe Person schreibt an verschiedenen Tagen anders. Eine handschriftliche Unterschrift unter einem Vertrag oder eine Notiz am Rand eines Formulars bekommt die Erkennung praktisch nie sauber.

Ordentliche, getrennte Großbuchstaben werden manchmal brauchbar erkannt. Normale Schreibschrift meist nicht — und das Ergebnis sieht dann wie echte Wörter aus statt wie ein Fehler, was schlimmer ist als ein klarer Misserfolg, weil es zum Glauben einlädt. Wenn eine handschriftliche Notiz zu Text werden muss, ist Abtippen schneller als das Ergebnis zu korrigieren.

Kassenbons für die Spesenabrechnung oder die Steuererklärung. Briefe von Behörden, Ärzten oder Vermietern, die nur auf Papier ankommen. Seiten aus Büchern für ein Zitat. Whiteboards nach einem Meeting. Seriennummern auf Geräten. Speisekarten und Beschilderung im Urlaub.

Fast alles davon ist persönlich oder geschäftlich: Namen, Adressen, Beträge, Kontodaten, medizinische Angaben. Genau deshalb steht der nächste Abschnitt auf dieser Seite und nicht nur in einer Fußnote.

Die Erkennung läuft vollständig im eigenen Browser-Tab, mit einem selbst gehosteten Modell — kein Baustein dieser Seite lädt Software von einem fremden Server nach, was bei anderen Anbietern dieser Funktion üblich ist. Das Foto wird nirgends hochgeladen, es gibt also keinen Server, auf dem eine Kopie eines Kontoauszugs oder eines Arztbriefs entstehen könnte.

Das nachzuprüfen dauert eine Minute: Entwicklertools öffnen, Netzwerk-Tab beobachten, konvertieren, sehen, dass keine Anfrage mit dem Bild hinausgeht. Bei einem fotografierten Rezept oder Kontoauszug ist das kein Werbeversprechen, sondern der Unterschied, ob die Daten irgendwo liegen bleiben oder nicht.

Diese Texterkennung liest Bildformate — JPG, PNG, WebP, AVIF, JXL, GIF, BMP, TIFF, HEIC und HEIF — aber keine PDF-Datei. Wer eine gescannte PDF vor sich hat, muss die Seite zuerst als Bild exportieren oder einen Screenshot davon machen, bevor diese Seite etwas damit anfangen kann.

Das ist keine Einschränkung dieser einen Seite, sondern eine Grenze der Erkennung im Produkt insgesamt: Eine gescannte PDF direkt in durchsuchbaren Text zu verwandeln, ist hier schlicht nicht vorgesehen, egal wie das Formular heißt.

Wer nicht einen, sondern zwanzig Kassenbons vor der Steuererklärung aufarbeitet, kann alle Fotos auf einmal ablegen. Jede Datei wird einzeln erkannt und mit ihrem eigenen Fortschritt angezeigt, weil Texterkennung im Vergleich zu den meisten anderen Werkzeugen dieser Seite deutlich mehr Rechenzeit braucht.

Die Sprache gilt dabei für den ganzen Stapel — bei gemischtsprachigen Belegen also entweder in zwei Durchgängen konvertieren oder mit den unvermeidlichen Fehlern in der jeweils falschen Sprache rechnen. Für zwanzig Kassenbons auf einmal ist das ohnehin die realistischere Erwartung als eine perfekte Trefferquote.