WebP in TXT umwandeln

Niemand exportiert WebP aus einer Kamera oder einem Scanner. Es ist ein Auslieferungsformat für Websites, und praktisch jedes WebP, das jemand besitzt, ist entstanden, weil ein Bild von einer Seite gespeichert wurde — eine Preistabelle, ein Exposé bei einem Immobilienportal, ein Screenshot einer WhatsApp-Unterhaltung, eine Grafik aus einem Vergleichsportal. In allen diesen Fällen sind die Wörter sichtbar und nicht markierbar, und Erkennung ist der einzige Weg, außer alles noch einmal abzutippen.

Das gibt dieser Umwandlung ein deutlich engeres Publikum als eine Erkennung von Kamerafotos: Wer hier landet, hat fast immer etwas gespeichert, das ursprünglich für eine Bildschirmanzeige gedacht war und nicht für eine Erkennung optimiert ist.

Die Texterkennung, die hier läuft, ist eigens für vier Sprachen trainiert — Englisch, Deutsch, Französisch, Spanisch. Für deutschsprachige Bildschirminhalte heißt das: die Umlaute und das Eszett gehören zum trainierten Alphabet und werden als eigene Zeichen gelesen, nicht als bester Treffer aus einem Zeichensatz, der sie überhaupt nicht kennt.

Vorausgesetzt, Deutsch wird vor dem Umwandeln auch tatsächlich ausgewählt. Bleibt es bei der Voreinstellung Englisch, sucht die Erkennung im englischen Alphabet weiter, und aus einem ß wird schnell ein fehlgelesenes B, aus einem ö zwei getrennte Zeichen. Bei einem deutschen Preisschild, einer Speisekarte oder einem Formular ist das der erste Punkt, den man prüft, wenn das Ergebnis merkwürdig aussieht.

Website-Bilder werden in der Größe ausgeliefert, die die Seite tatsächlich braucht. Eine Preistabelle, die bei 600 Pixeln Breite angezeigt wird, liegt ungefähr in dieser Größe vor, auf einer auf Geschwindigkeit gebauten Seite oft noch kleiner — und Texterkennung braucht genügend Pixel je Zeichen, um zuverlässig zu arbeiten.

Ergebnisse von Website-Bildern schwanken deshalb stärker als bei Scans oder Handyfotos, und der Grund ist fast immer derselbe. Das Bild nachträglich vergrößern hilft nicht: Es fügt Pixel hinzu, ohne Information hinzuzufügen, und macht Buchstabenformen im Zweifel eher weicher als schärfer.

Das ist der wirksamste einzelne Schritt auf dieser Seite. Viele Websites liefern mehrere Größen desselben Bildes aus und zeigen nur die kleinste an, die passt — das Bild in einem eigenen Tab öffnen oder im Seitenquelltext nach einer größeren Quelle suchen findet häufig eine Version, die zwei- oder dreimal so groß ist.

Zwei- oder dreimal mehr Pixel ist der Unterschied zwischen einer verstümmelten und einer sauberen Erkennung. Das dauert dreißig Sekunden und bringt mehr als jede Einstellung auf dieser Seite zusammen.

Die Ausgabe ist reiner Text in Lesereihenfolge. Bei einer Preistabelle heißt das: Die Zahlen und Bezeichnungen kommen zurück, aber ohne jede Angabe, welcher Wert zu welcher Spalte oder Zeile gehörte — die Anordnung, die die Tabelle überhaupt lesbar machte, ist räumlich, und reiner Text kennt keinen Raum.

Das reicht, wenn es nur um die Zahlen selbst geht. Für den Wiederaufbau der Tabelle nicht — dann dauert das Zusammensetzen der Spalten oft länger als das Lesen des Bildes selbst. Existiert die zugrunde liegende Tabelle irgendwo als echte Daten, etwa auf der Herkunftsseite, ist sie schneller gefunden als erkannt.

Erkennung vergleicht Formen mit Buchstabenformen, ohne den Inhalt zu verstehen, und kann nirgends anmerken, wo sie unsicher war. Was zurückkommt, ist flüssiger, fertig aussehender Text, unabhängig davon, ob jedes Zeichen richtig gelesen wurde.

Das fällt bei genau dem Material besonders ins Gewicht, das üblicherweise von Websites gespeichert wird: Preise, Prozentsätze, Daten, Referenznummern. Eine falsch gelesene Ziffer in einem Wert, der dann zitiert wird, ist der Fehler, der einen flüchtigen Blick am ehesten übersteht. Zahlen gegen das Bild prüfen, bevor sie weiterverwendet werden.

Manche Website-Screenshots mischen Sprachen — eine deutsche Preisangabe neben einem englischsprachigen Bedienelement, etwa „Add to cart" auf einem sonst deutschen Shop. Die Erkennung arbeitet mit einer einzigen eingestellten Sprache und liest den fremdsprachigen Teil dann als bestmögliche Annäherung innerhalb des deutschen Alphabets, was gelegentlich merkwürdige Ergebnisse erzeugt.

Für gemischte Inhalte ist es meist praktischer, Deutsch einzustellen und den englischen Teil im Ergebnis von Hand zu übernehmen, als beide Sprachen gleichzeitig erkennen zu wollen — eine Option dafür gibt es hier nicht.

Die Erkennung läuft vollständig im eigenen Browser-Tab, auf dem eigenen Prozessor. Das Bild wird nirgendwohin gesendet, es gibt kein Konto und keine Tagesgrenze, und ein ganzer Ordner gespeicherter Bilder wandelt sich in einem Durchgang um.

Das öffnet die Umwandlung auch für Material, das man nicht an einen fremden Server geben möchte — ein Screenshot aus einem internen Dashboard, ein Ausschnitt aus einer privaten Chatgruppe, eine Seite hinter einer Anmeldung. Genau solches Material macht einen großen Teil dessen aus, was als Bild gespeichert und danach zurückgelesen wird.

Es gibt keine Formatierung, keine erkannte Spaltenstruktur, kein hOCR und keine Koordinaten der erkannten Wörter — nur eine Textdatei mit dem, was gelesen wurde, in der Reihenfolge, in der es gelesen wurde. Eine durchsuchbare PDF-Datei mit Bild und Textebene entsteht hier nicht; das wäre eine andere Aufgabe.

Wer regelmäßig dieselbe Art Website-Bild erkennen lässt — etwa immer dieselbe Kategorie von Preistabelle —, gewinnt am meisten dadurch, vorab zu wissen, wo im Bild die wichtigen Werte stehen, und danach gezielt danach zu suchen, statt den gesamten Text von oben durchzulesen.

Wer bei einer Marktrecherche über Tage hinweg Preisscreenshots von verschiedenen Anbietern sammelt, hat am Ende meist einen ganzen Ordner voller WebP-Dateien und keine Lust, jede einzeln zu öffnen. Der ganze Ordner lässt sich auf einmal ablegen; jede Datei wird nacheinander mit eigenem Fortschritt erkannt, und am Ende steht eine Textdatei je Bild bereit.

Für eine Auswertung in einer Tabelle bedeutet das trotzdem Handarbeit beim Zusammenführen, weil jede Erkennung für sich genommen keine Vorstellung von den anderen Dateien im Ordner hat. Praktisch ist das dennoch schneller, als zwanzig Screenshots einzeln durchzuklicken und abzutippen.

Immer dann, wenn die Wörter selbst das Ziel sind: ein Preis, der zitiert werden soll, ein Ausschnitt eines Gesprächs, ein Wert aus einer Vergleichsgrafik. Für einzelne, klar lesbare Website-Bilder liefert diese Seite schnell ein brauchbares Ergebnis, besonders wenn vorher nach der größten verfügbaren Version gesucht wurde.

Für ganze Tabellen, komplexe Infografiken oder alles, bei dem die Anordnung selbst die Information ist, bleibt reiner Text nur die halbe Lösung — dann ist die Suche nach den zugrunde liegenden Daten oft der schnellere Weg.