Wie durchsucht man gescannte Dokumente?
Eine gescannte Seite ist zunächst nur ein Bild. Durchsuchbar wird sie nur mit einer Textebene; die automatische Texterkennung (OCR) gibt es ausschließlich für Rumänisch.
Kurze Antwort
- OCR steht für optische Zeichenerkennung: Der Text in einem Bild wird zu durchsuchbarem Text. Bei uns gibt es OCR nur für rumänische Dokumente.
- Ein Scan erzeugt nur ein Bild; ohne OCR kann sein Inhalt nicht durch eine Suche gefunden werden.
- Für rumänische Dokumente läuft die Texterkennung beim Hochladen automatisch und legt eine Textebene über das Bild; bei anderen Sprachen muss der Text bereits vorhanden sein oder manuell erfasst werden.
- Nach der Verarbeitung können Sie alles durchsuchen, was im Dokument vorkommt: Namen, Registriernummer, Datum oder Betrag.
Was das Gesetz sagt (kurz)
- Die GoBD verlangen, dass aufbewahrungspflichtige Unterlagen nicht nur lesbar, sondern maschinell auswertbar sind — eine Textebene liefert genau diese Auswertbarkeit, ersetzt aber nicht das Originaldokument.
- § 147 Abs. 6 AO gibt der Finanzverwaltung das Recht auf Datenzugriff und auf die maschinelle Auswertung der gespeicherten Unterlagen im Rahmen einer Außenprüfung.
- Das ersetzende Scannen selbst regelt nicht die OCR-Qualität, sondern die BSI TR-03138 (RESISCAN): bildliche Übereinstimmung mit dem Papier, protokollierter Ablauf, dokumentierte Verantwortlichkeiten.
- Verordnung (EU) 2016/679, Art. 5 Abs. 1 lit. e: Der aus einem Scan gewonnene Text enthält dieselben personenbezogenen Daten wie das Bild und unterliegt denselben Aufbewahrungsfristen.
Praktische Beispiele
- Sie suchen nach „Abnahmeprotokoll Halle 2" und erhalten vier passende Seiten aus 3.500 gescannten Seiten.
- Eine im Text eines eingegangenen Schreibens erwähnte Steuernummer wird durchsuchbar, obwohl sie im Dateinamen nirgends vorkommt.
- Bei 200 gescannten Seiten pro Tag würde die manuelle Indexierung etwa zwei Stunden Tipparbeit bedeuten; für Rumänisch erledigt OCR dies beim Hochladen.
- Eine 2014er-Personalakte, rückwirkend gescannt, wird noch am selben Tag nach dem Namen des Mitarbeiters durchsuchbar.
Häufige Fehler
- Es wird mit 150 dpi oder weniger gescannt, wodurch die Erkennungsgenauigkeit spürbar sinkt; 300 dpi ist der praktische Schwellenwert.
- Die Seiten sind schräg oder mit dem Handy fotografiert, ohne automatische Begradigung.
- Es wird ohne diakritische Zeichen gesucht, obwohl der erkannte Text sie enthält.
- Es wird angenommen, dass jedes Wort eines Scans durchsuchbar ist: Bei handschriftlichen Dokumenten bleibt das Ergebnis jedoch nur teilweise korrekt.
- Auf das Inventar wird verzichtet, mit der Begründung, „es wird ohnehin per Volltext gesucht".
Wie 4docs Ihnen hilft
- Automatische Texterkennung beim Hochladen rumänischer Dokumente, auch beim Massenimport aus dem alten Archiv.
- Volltextsuche im Inhalt der Dokumente, nicht nur im Dateinamen.
- Kombinierte Filterung nach Jahr, Dokumenttyp, Abteilung und Aufbewahrungsfrist.
- Volltext-Treffer führen direkt zu dem Dokument, in dem der Begriff vorkommt.