Fraktur und alte deutsche Schrift per OCR erkennen

Fraktur ist nicht Sütterlin

Unter "alte deutsche Schrift" werden drei Dinge zusammengeworfen, die technisch nichts miteinander zu tun haben.

• Fraktur (dazu Schwabacher, Textura und die anderen gebrochenen Schriften) ist gedruckte Schrift: Bücher, Zeitungen, Formulare, Kirchenbuchvordrucke. Sie ist ein OCR-Problem und mit einem passenden Modell lösbar.
• Kurrent und Sütterlin sind Handschriften: Briefe, Tagebücher, handschriftliche Kirchenbucheinträge, Aktenvermerke. Das ist kein OCR-Problem. Es braucht Handschriftenerkennung (HTR), die anders funktioniert und andere Werkzeuge verlangt.
• Antiqua ist die normale lateinische Druckschrift, in der deutsche Texte seit den 1940er Jahren und viele wissenschaftliche Texte schon früher gesetzt sind. Sie liest jede OCR.

Wer weiß, welche der drei vorliegt, weiß auch, welches Werkzeug passt.

Warum gewöhnliche OCR an Fraktur scheitert

Ein Erkennungsmodell lernt Buchstabenformen. Das lange s (ſ), das wie ein f ohne Querstrich aussieht, die gebrochenen Bögen von k und h, Ligaturen wie ch, ck und tz und das runde r sind für ein Antiqua-Modell unbekannte Zeichen, die es auf die ähnlichste Antiqua-Form abbildet. Heraus kommt Text, in dem "Gefchichte" statt "Geschichte" steht und die Hälfte der Wörter in keinem Wörterbuch vorkommt. Für die Volltextsuche ist das wertlos. Es braucht ein Modell, das auf Fraktur trainiert wurde.

Kostenlose Werkzeuge, die Fraktur lesen

Tesseract mit dem Modell deu_latf

Tesseract, die freie OCR-Engine, hat ein eigenes Modell für gebrochene Schriften: deu_latf (in älteren Versionen frk). Mit OCRmyPDF läuft es auf dem eigenen Rechner und erzeugt eine durchsuchbare PDF:

ocrmypdf --language deu_latf --deskew --rotate-pages scan.pdf durchsuchbar.pdf

Wie gut es liest, hängt stark vom Druck ab. Der Aufwand: die Kommandozeile, eine Datei nach der anderen. Danach fehlt eine Suche über alle Dateien.

OCR4all und eScriptorium

OCR4all ist ein freies Werkzeug aus der Digital-Humanities-Forschung, ausdrücklich für historische Drucke gebaut, mit Fraktur-Modellen und einem Ablauf zum Nachtrainieren und Korrigieren. eScriptorium mit der Kraken-Engine ist die zweite verbreitete freie Plattform. Beide laufen lokal (oft in Docker), sind mächtig und verlangen Einarbeitung. Für ein Editionsprojekt sind sie richtig. Wer nur seine Scans durchsuchen will, hat damit viel Aufwand.

Transkribus

Transkribus bietet öffentliche Fraktur-Modelle (etwa für deutschen Druck des 19. und 20. Jahrhunderts) ebenso wie Kurrent- und Sütterlin-Modelle, als Cloud-Dienst mit Credits pro Seite und Servern in Österreich. Für Handschriften ist es das Werkzeug der Wahl. Für Fraktur ist es bequem, wenn das Hochladen in Ordnung ist.

Was Searchive heute liest und was nicht

Searchive erkennt Fraktur zurzeit nicht. Die Anwendung liefert die Tesseract-Modelle für Deutsch, Französisch, Englisch, Niederländisch und Italienisch in Antiqua mit und kein Fraktur-Modell. Handschriften liest sie ebenfalls nicht.

Sie liest deutsche Drucke in Antiqua vom 19. Jahrhundert bis heute, auch mit alter Rechtschreibung (Thür, seyn, giebt), Umlauten und ß. Bei abgenutzten Typen und dünnem Papier bekommt jede Seite einen Vertrauenswert der Erkennung, sodass schwache Seiten auf einer Prüfliste erscheinen und nicht still aus der Suche verschwinden. Die Suche kennt drei Modi: alle Wörter, eines der Wörter (Cöln, Köln und Coeln in einem Durchgang) und genaue Wortfolge. Treffer werden auf der gescannten Seite selbst hervorgehoben.

Alles läuft auf dem eigenen Mac oder Windows-Rechner. Es gibt keinen Upload, kein Konto und keine Analytik. Fotos aus dem Lesesaal werden als ein Dokument importiert, mit den Seiten in Kamerareihenfolge. Gefundene Seiten lassen sich mit eigener Notiz anheften und Suchergebnisse als CSV exportieren.

Ein praktischer Ablauf für gemischte Bestände

Die meisten Sammlungen sind gemischt: Fraktur-Zeitungen von 1910, Antiqua-Jahrbücher von 1955 und dazwischen Kurrent-Briefe. Ein vernünftiger Ablauf heute sieht so aus.

1. Handschriften (Kurrent, Sütterlin) gehören in ein HTR-Werkzeug wie Transkribus.
2. Fraktur-Drucke werden mit OCRmyPDF und deu_latf auf dem eigenen Rechner in durchsuchbare PDFs verwandelt. Für ein größeres Projekt kommt OCR4all in Frage.
3. Alles Übrige (Antiqua, Schreibmaschine) und die fertigen Fraktur-PDFs aus Schritt 2 werden in Searchive importiert. Eine PDF, die bereits eine Textebene hat, wird ohne erneute Erkennung indiziert, gleich wer sie erzeugt hat. So landet die Fraktur-Zeitung in derselben Suche wie das Jahrbuch.

Schritt 3 macht die Seite trotz der Grenze von Searchive nützlich: Die Suche über die ganze Sammlung funktioniert, sobald eine Textebene da ist, egal woher sie stammt.

Häufige Fragen