Wie du hunderte PDFs durchsuchbar machst, ohne Cloud

Warum die Suche nichts findet, obwohl das Dokument drin liegt

Ein PDF ist nicht gleich ein PDF. Manche tragen Text in sich: Die hat ein Programm erzeugt, zum Beispiel beim Speichern als PDF. Darin kann jede Suche lesen.

Andere sind eingescannt. Ein Scanner fotografiert das Blatt und packt das Bild in eine PDF-Datei. Von aussen sieht beides gleich aus. Innen liegt bei einem Scan aber kein einziger Buchstabe — nur Bildpunkte.

Durchsuchbar wird ein PDF durch Text, nicht durch Ordnung. Ein Scan ist ein Foto. Darin findet keine Suche ein Wort — auch dein Chatbot nicht.

Deshalb bringt Sortieren an dieser Stelle nichts. Ein Foto im richtigen Ordner bleibt ein Foto. Die Frage ist nicht, wo das Dokument liegt, sondern ob Text darin steckt.

Der Markier-Test: Text oder Foto?

Ob in einem PDF Text steckt, siehst du nicht auf den ersten Blick. Du kannst es aber sofort prüfen:

1. Öffne das PDF in deinem normalen Anzeigeprogramm.
2. Versuch, ein einzelnes Wort mit der Maus zu markieren.
3. Lässt es sich markieren, ist Text drin. Geht das nicht, hast du ein Foto vor dir.

Bei hunderten PDFs öffnest du nicht jedes einzeln. Ob Text drin ist, hängt meistens an der Quelle, nicht am einzelnen Dokument. Nimm darum eine Stichprobe aus jeder Quelle: die eingescannte Post, die alte Ablage, die Fotos vom Handy, die Anhänge aus dem Mailprogramm.

Am Ende weisst du nicht nur, ob du ein Problem hast, sondern auch, wo: Eine Quelle, die Fotos liefert, braucht die Texterkennung. Eine Quelle, die Text liefert, bleibt, wie sie ist.

Texterkennung einmal, lokal, vorab

Die Lösung heisst Texterkennung, auf Englisch OCR. Sie liest das Foto und legt den erkannten Text unsichtbar dahinter. Das Blatt sieht danach genau gleich aus — aber jetzt kann jede Suche darin lesen.

Entscheidend sind diese Wörter: einmal, lokal, vorab. Einmal über den ganzen Bestand, nicht bei jeder Suche neu. Lokal auf deinem Rechner, damit deine Unterlagen das Haus nicht verlassen. Und vorab, also bevor du suchst — nicht erst, wenn du etwas brauchst.

Wie gut das in der Praxis funktioniert, sehe ich bei mir selbst. Ich habe viele Dokumente in Paperless-ngx und pflege den Dienst nur nebenbei — dort landet einfach alle Art Text, sortiert ist darin nichts. Wenn ich doch einmal etwas suche, gehe ich direkt in Paperless hinein, weil es jedes Dokument durchsuchbar macht. Das dauert wenige Minuten.

Das ist der Beweis für den Satz dieser Lektion: Text, nicht Ordnung. Paperless-ngx beantwortet dabei keine Fragen. Es ist eine Volltextsuche für dein Archiv — sie findet Wörter, weil jetzt Wörter da sind.

Womit du anfängst

Für den Anfang empfehle ich dir Paperwork, für Windows und Linux. Es ist freie Software, läuft lokal auf deinem Rechner, legt alles in einem Ordner ab und macht viele Dokumente schnell durchsuchbar. Eine Installation auf einem Server brauchst du dafür nicht.

Auf dem Mac läuft Paperwork nicht — es gibt das Programm nur für Windows und Linux. AnythingLLM aus der Lektion zum HR-Handbuch macht laut Hersteller die Texterkennung beim Einlesen selbst — laut Changelog seit Version 1.7.4. Ob diese Erkennung lokal läuft, sagt der Changelog nicht. Probier es darum mit einem einzelnen Blatt aus, bevor du dich auf deinen ganzen Bestand verlässt.

Welches Werkzeug du nimmst, ist zweitrangig. Wichtig ist nur, dass die Texterkennung auf deinem Rechner passiert und dass du danach prüfst, ob sie gewirkt hat.

Durchsuchbar ist nicht dasselbe wie gut beantwortet

Beide Suchen brauchen Text. Die Volltextsuche findet Buchstaben, dein Chatbot findet Bedeutung — das kennst du aus der Lektion, in der dieses Modul begonnen hat. In einem Foto finden beide nichts.

Ob die Suche überhaupt etwas findet, entscheidet der Text. Wie gut dein Chatbot danach antwortet, entscheidet die Ablage.

Inhaltlich kommt dieser Schritt also vor der Lektion zum HR-Handbuch. Dort hiess es: «Nicht das grössere Modell macht die Antwort besser, sondern die saubere Ablage deiner eigenen Daten.» Das gilt weiter — aber erst, wenn Text da ist. Ohne Text hat auch die sauberste Ablage nichts, womit sie arbeiten kann — auch nicht der Satz, der deinem Bot den Firmen-Jargon beibringt.

Die Probe ist schnell gemacht: Such ein Wort, von dem du sicher weisst, dass es auf einem gescannten Blatt steht. Kommt das Blatt zurück, hat die Texterkennung gewirkt.