Gescannte Anlagen: Warum die Volltextsuche 0 Treffer liefert

Ein Scan ist ein Bild, kein Dokument

Ein PDF kann zwei sehr verschiedene Dinge enthalten. Das eine ist Text mit Angaben zum Layout. Das andere ist das Bild eines Blatts Papier, verpackt in eine PDF-Hülle, damit man es per E-Mail verschicken kann.

Beide öffnen sich im selben Programm und sehen für den Leser gleich aus. Durchsuchen lässt sich nur eines. Prozessakten sind voll von der zweiten Sorte: fotokopiertes, gefaxtes, mit irgendeiner Einstellung am Bürokopierer gescanntes Material, als eine einzige große Datei zugestellt. Für elektronisch eingereichte Dokumente, etwa über das beA, verlangt § 2 Abs. 1 ERVV zwar ein PDF, das durchsuchbar ist, aber nur soweit technisch möglich. In der Praxis bleiben eingescannte Anlagen, Unterlagen des Mandanten und Kopien aus der Akteneinsicht trotzdem oft reine Bilder.

Der Fehler bleibt stumm, und genau das ist das Problem

Nichts warnt Sie. Die Suche liefert keinen Treffer, und das sieht genauso aus wie eine Suche ohne Treffer, weil das Wort nicht vorkommt. Das Dokument liegt in der Akte, nur über den Dateinamen auffindbar, und wer den Fall vorbereitet, arbeitet um ein Loch herum, von dem er nichts weiß.

Ein nicht durchsuchbares Dokument in einer großen Akte ist praktisch ein fehlendes Dokument, und es fehlt, ohne dass eine Fehlermeldung erscheint.

Was OCR tatsächlich liefert

Texterkennung (OCR) liest das Bild und erzeugt daraus Text. Bei einem sauberen Scan einer getippten Seite ist das Ergebnis nahezu perfekt. Mit jeder Kopiergeneration sinkt die Qualität: Das Fax einer Fotokopie eines Faxes ergibt Bruchstücke, und handschriftliche Randnotizen ergeben meist gar nichts.

Daraus folgt zweierlei.

Erstens: OCR beim Import laufen lassen, nicht bei Bedarf. Läuft die Texterkennung, sobald ein Dokument in die Akte kommt, ist die Akte von Anfang an durchsuchbar. Läuft sie erst, wenn jemandem eine Lücke auffällt, hat die Lücke schon etwas gekostet.

Zweitens: das Original behalten. Der OCR-Text dient dazu, das Dokument zu finden. Zitiert, als Anlage vorgelegt und dem Gericht gezeigt wird das Dokument selbst.

Zu wissen, was gescheitert ist, ist die halbe Miete

Eine Seite voller Zeichensalat ist kein Text, und sie als Text zu behandeln ist schlimmer, als sie gar nicht zu behandeln. Sie verunreinigt die Suchergebnisse und wird irgendwann von etwas zitiert, das den Unterschied nicht erkennt.

Was Sie vom Ablauf brauchen, ist eine klare Antwort in zwei Teilen: Das ist der Text, den wir gewinnen konnten, und das ist die Liste der Dokumente, bei denen es nicht gelang. Diese zweite Liste ist ein Arbeitsvorrat. Das sind die Seiten, die jemand öffnen muss, und es sind meist weit weniger, als der Umfang des Konvoluts vermuten lässt.

Wo das im Arbeitsablauf steht

In Legalnaut richtet sich die Texterkennung nach dem Inhalt, nicht nach der Dateiendung, weil zugestelltes Material schlecht oder gar nicht benannt ankommt. Zuerst versucht es ein lokaler Parser. Ist das Ergebnis zu kurz oder zu fehlerhaft, um echter Text zu sein, geht das Dokument zur OCR. Audiodateien werden transkribiert, mit erhaltenen Zeitmarken, damit sich ein Zitat an der Aufnahme prüfen lässt.

Dokumente, aus denen nichts Brauchbares kam, werden als solche aufgeführt, statt wie leere Dokumente auszusehen. Diese Liste ist meist kurz.

Ist der Text einmal da, kann er in eine Zeitachse einfließen: siehe Chronologie aus 900 E-Mails erstellen.

Konto erstellen und ein zugestelltes Anlagenkonvolut hochladen, um zu sehen, welche Seiten unlesbar zurückkommen. Keine Kreditkarte nötig.