Automatisierte Texterkennung in Nextcloud per Schlagwort   Vor kurzem aktualisiert!

 in Anleitungen / Cloud  verschlagwortet Nextcloud / OCR / PDF / Workflow

Und was auf per CLI möglich ist

Möchte man gescannte PDF-Dokumente in Nextcloud durchsuchbar machen, ist die App Workflow OCR eine elegante Lösung. Das Auslösen beim reinen Upload kann jedoch tückisch sein – etwa bei bereits verarbeiteten Dateien oder beim nachträglichen Hinzufügen von Ordnern.

Eine zuverlässige und transparente Methode ist die Steuerung über Nextcloud-Schlagwörter (Tags). Hier ist ein kurzer Einblick, wie dieser Workflow funktioniert.

Mit Nextcloud OCR gezielt per Schlagwort steuern

Anstatt OCR pauschal auf jeden Upload anzuwenden, nutzt man die Nextcloud-Ablaufsteuerung (Flow) in Kombination mit Schlagwörtern als Auslöser.

So sieht der Workflow aus:

  1. Schlagwort vergeben: Nach dem Upload einer PDF-Datei vergibt man manuell oder per Regel das Schlagwort OCR.
  2. Workflow startet: Nextcloud erkennt das neue Schlagwort und reiht den OCR-Auftrag in die Hintergrund-Warteschlange ein.
  3. Verarbeitung & Tag-Wechsel: Die OCR-Engine verarbeitet das Dokument, bettet die Textschicht ein und ersetzt das Schlagwort automatisch durch OCR-OK.

Die Vorteile dieser Methode:

  • Lückenlose Rückverfolgung: Über den Nextcloud-Reiter Aktivitäten lässt sich gut nachvollziehen, wann ein Dokument verarbeitet wurde und wann der Wechsel auf OCR-OK stattfand.
  • Gezielte Steuerung: Es werden nur die Dokumente verarbeitet, bei denen eine Texterkennung wirklich gewünscht ist.
  • Keine Verwirrung bei Bestandssimulationen: Auch ältere Dokumente im Speicher lassen sich so jederzeit nachträglich verarbeiten, indem man ihnen einfach das Tag OCR zuweist.

OCR auf der Kommandozeile

Im Hintergrund greift die Nextcloud-Integration meist auf das Open-Source-Werkzeug ocrmypdf (basierend auf Tesseract) zurück. Wer auf dem Server oder Linux-Desktop arbeitet, kann die Texterkennung auf der Kommandozeile extrem flexibel nutzen.

Hier sind ein paar praktische Beispiele für die CLI:

1. Der Klassiker: Ausrichten und Bereinigen

Scans sind selten perfekt gerade. Mit diesen Parametern wird das Dokument vor der OCR automatisch gedreht, begradigt und von Hintergrundrauschen befreit:

ocrmypdf -l deu --deskew --clean eingabe.pdf ausgabe_ocr.pdf

2. Dateigröße beim OCR-Vorgang optimieren

Damit archivierte PDFs nicht unnötig viel Speicherplatz belegen, lässt sich die Bildkompression direkt beim OCR-Lauf steuern:

ocrmypdf -l deu --optimize 3 eingabe.pdf ausgabe_komprimiert.pdf

3. Ordnerweise Stapelverarbeitung (Batch-OCR)

Möchte man einen ganzen Ordner voll mit Scans auf einen Schlag durchsuchbar machen, hilft eine kurze Bash-Schleife:

for file in *.pdf; do
    ocrmypdf -l deu --skip-text "$file" "ocr_$file"
done

(Der Parameter --skip-text sorgt dafür, dass PDFs, die bereits durchsuchbaren Text enthalten, einfach übersprungen werden).

4. Textschicht direkt im Terminal auslesen

Möchte man prüfen, ob eine PDF-Datei bereits erfolgreich verarbeitet wurde oder schnell nach Begriffen suchen, hilft das Tool pdftotext:

pdftotext datei.pdf - | grep -i "Suchbegriff"