Leitfaden · Anleitung · Scans
Gescanntes PDF anonymisieren: OCR, Zonen und Prüfung
Anonimatum-Team
Kurz gesagt
Ein gescanntes PDF ist ein Bild: Ohne OCR gibt es keinen Text, in dem Namen oder Ausweisnummern gefunden werden. Erst Text erkennen, dann Daten finden, Unterschriften und Stempel mit Zonen abdecken und zuletzt Bild und Textebene prüfen.
Viele Dokumente, die anonymisiert werden müssen, waren nie digital: Posteingänge, handschriftlich unterschriebene Verträge, alte Arztbriefe, für die E-Akte eingescannte Vorgänge oder Unterlagen für einen Antrag nach dem IFG. Nach dem Scannen sind es PDFs voller Seitenfotos. Ein Mensch liest die Steuer-ID; eine Mustersuche nicht.
Diese Anleitung zeigt, wie Sie damit umgehen: was OCR ist und warum es am Anfang steht, woran die Erkennung scheitert, wie Sie abdecken, was kein Text ist (Unterschriften, Stempel, handschriftliche Vermerke), und wie Sie sicherstellen, dass weder im Bild noch in der versteckten Textebene etwas übrig bleibt.
Schritt für Schritt
Prüfen, ob das PDF Text enthält
Markieren Sie ein Wort und suchen Sie mit Strg+F. Kein Text bedeutet reiner Scan; schlechte Suchergebnisse deuten auf eine mangelhafte frühere OCR.
Scan nach Möglichkeit verbessern
Liegt das Papier noch vor, scannen Sie es gerade und mit ausreichender Auflösung neu. Eine gute Vorlage erspart Erkennungsfehler.
Anonymisierung mit OCR aktivieren
Laden Sie das PDF in Anonimatum hoch und aktivieren Sie die OCR-Option in den Einstellungen. Bestätigen Sie die Seiten; native Seiten werden nicht erneut verarbeitet.
Muster und KI-Optionen wählen
Wählen Sie Muster für E-Mail, Telefon oder IBAN, legen Sie ein eigenes Muster für die Steuer-ID an und wählen Sie die nötigen KI-Kategorien.
Zonen für Nicht-Text zeichnen
Decken Sie Unterschriften, Stempel, handschriftliche Vermerke und Fotos mit Zonen ab und speichern Sie sie als Figurenmuster, wenn sie sich wiederholen.
Vorschau prüfen und korrigieren
Erzeugen Sie die Vorschau, prüfen Sie die gelben Markierungen, ergänzen Sie falsch erkannte Angaben und entfernen Sie Fehltreffer.
Anwenden und kontrollieren
Wenden Sie die Anonymisierung an, laden Sie das Ergebnis herunter und prüfen Sie Bild und Textebene durch Zoomen, Kopieren und Suchen.
Was ein gescanntes PDF besonders macht
Ein aus der Textverarbeitung exportiertes PDF speichert Zeichen. Ein gescanntes PDF speichert ein Bild pro Seite. Dazu kommt eine dritte, häufige und tückische Variante: ein Scan, den Scanner oder Software bereits mit OCR versehen haben – mit unsichtbarem Text hinter dem Bild, damit man suchen kann. Zeichnet man nur einen schwarzen Balken auf das Bild, verschwindet der Name aus der Ansicht, bleibt aber in der Textebene; löscht man nur den Text, ist der Name im Bild weiterhin sichtbar.
Einen Scan zu anonymisieren heißt daher, Bildpunkte und erkannten Text gleichzeitig zu behandeln. Es ist dasselbe Prinzip wie bei echter Schwärzung von Dokumenten, angewandt auf eine Seite, die ein Foto ist.
Zuerst OCR: ohne Text keine Erkennung
Die optische Zeichenerkennung (OCR) macht aus dem Bild Text mit Position. Erst dann findet ein Muster eine Steuer-ID (12 345 678 901, fiktiv) oder eine IBAN, und erst dann erkennt die KI Namen, Anschriften oder Daten. Ohne OCR bleibt nur das Abdecken von Hand, Zone für Zone – bei einer Akte mit 80 Seiten nicht machbar.
Was die OCR-Qualität beeinflusst
- Auflösung: Sehr niedrig aufgelöste Scans verwechseln Buchstaben; für Text werden üblicherweise rund 300 dpi empfohlen.
- Schräglage und Ränder: schiefe Seiten, Schatten der Heftung oder Finger auf Handyfotos.
- Kontrast und Flecken: Kopien von Kopien, verblasstes Thermopapier, Stempel über dem Text.
- Schrift und Tabellen: sehr kleine Schrift, schmale Spalten, Formulare mit Kästchen.
- Handschrift: OCR für Druckschrift liest sie nicht zuverlässig; behandeln Sie sie als Bild.
OCR-Fehler haben direkte Folgen: Wird eine 0 als O gelesen oder fehlt eine Ziffer, greift das Muster nicht und die Angabe rutscht durch. Bei Scans ist die menschliche Prüfung der Vorschau deshalb noch wichtiger als bei nativen PDFs.
Unterschriften, Stempel und Handschrift: Zonen
Manche personenbezogenen Daten sind gar kein Text: die eigenhändige Unterschrift, der Eingangsstempel mit dem Namen der Sachbearbeiterin, ein Randvermerk, die Kopie des Personalausweises in der Akte. Dafür gibt es Zonen: Rechtecke, die auf der Seite gezeichnet werden und den Inhalt der Fläche entfernen. In Anonimatum zeichnen Sie das Rechteck und wählen den Geltungsbereich: aktuelle Seite, Seitenbereich oder ganzes Dokument.
Steht dasselbe Element immer an derselben Stelle – etwa ein seitlicher Stempel auf jeder Vertragsseite oder die Unterschrift unter einem Standardformular –, speichern Sie die Zone als Figurenmuster und verwenden sie wieder. Version 1.9.0 bringt außerdem Systemvorlagen für typische Fälle mit, etwa Verträge mit seitlichen Stempeln.
So geht es in Anonimatum
Hat ein hochgeladenes PDF bereits eine brauchbare Textebene, wird keine OCR erneut angewendet. Bei einem Scan aktivieren Sie in den Einstellungen die Anonymisierung mit OCR: Die Anwendung zeigt, welche Seiten OCR benötigen, und fragt vorher nach. Die OCR-Engine (standardmäßig Tesseract oder PaddleOCR) wählen Sie im Profil. Einen Überblick gibt die Seite zum Anonymisieren gescannter PDFs.
| Dokument | Seiten mit OCR | Berechnete Seiten |
|---|---|---|
| 10 Seiten, alle nativ | 0 | 10 |
| 10 Seiten, davon 3 gescannt | 3 | 13 |
| 10 Seiten, alle gescannt | 10 | 20 |
Wie die Tabelle zeigt, zählen OCR-Seiten doppelt, aber nur die Seiten, die OCR wirklich brauchen. Wenn Sie lediglich ein durchsuchbares PDF ohne Anonymisierung möchten, nutzen Sie das Werkzeug für PDFs mit kopierbarem Text, das in der Dokumentenwarteschlange läuft.
Einen anonymisierten Scan prüfen
Prüfungen speziell für Scans
- Jede Seite vergrößern: Die Balken müssen die Angabe vollständig abdecken, auch überstehende Striche der Unterschrift.
- Gesamten Text markieren, kopieren und in einen Editor einfügen: Keine geschwärzte Angabe darf in der OCR-Ebene auftauchen.
- Mit Strg+F nach dem Nachnamen und nach falsch erkannten Varianten suchen (etwa 0 statt O).
- Ränder, Rückseiten und Leerseiten prüfen: Eingangsstempel und Vermerke stehen oft dort.
- Metadaten und Dateinamen vor der Weitergabe kontrollieren.
Häufige Fragen
Warum findet das Werkzeug die Nummer in meinem Scan nicht?
Weil es ohne OCR keinen Text zum Durchsuchen gibt. Aktivieren Sie OCR. Ist sie schon aktiv, prüfen Sie die Qualität: Ein einziges falsch erkanntes Zeichen reicht, damit ein Muster nicht greift.
Wie viel Kontingent verbraucht ein gescanntes PDF?
Seiten mit OCR zählen doppelt: Ein Dokument mit 10 Seiten, davon 3 mit OCR, verbraucht 13 Seiten, nicht 20.
Werden handschriftliche Unterschriften automatisch erkannt?
Verlassen Sie sich nicht darauf. Unterschriften, Stempel und Handschrift decken Sie mit gezeichneten Zonen oder wiederverwendbaren Figurenmustern ab.
Mein Scan hatte schon OCR – gibt es ein Risiko?
Ja: Die unsichtbare Textebene kann die Daten enthalten, auch wenn Sie sie im Bild abdecken. Nutzen Sie ein Werkzeug, das beides entfernt, und prüfen Sie den kopierten Text des Ergebnisses.
Gescannte Akten sauber anonymisieren
Sehen Sie sich die Tarife an und starten Sie mit selektiver OCR, KI-Erkennung in der EU und Zonen für Unterschriften und Stempel.