Seminar Dokumentenverarbeitung mit OCRmyPDF, Tesseract und Docling

Durchsuchbare Dokumente und verlässlich aufbereitete Inhalte bilden die Grundlage für Recherche, Auswertungen und automatisierte Geschäftsabläufe. Das Seminarangebot verbindet klassische Texterkennung mit strukturierter Dokumentenextraktion und der praktischen Einbindung in lokale Verarbeitungssysteme.

OCRmyPDF, Tesseract und Docling sind eigenständige Open-Source-Projekte mit unterschiedlichen Aufgaben und Entwicklergemeinschaften. Sie stammen nicht von einem gemeinsamen Hersteller. Die gemeinsame Themenseite ordnet ihre Einsatzgebiete ein und führt zu passenden Schulungen für Fachbereiche, Administration und Entwicklung.

Alle Seminare arbeiten mit nachvollziehbaren Praxisfällen und geprüften Ergebnissen. Im Mittelpunkt stehen geeignete Dokumente, kontrollierte Verarbeitungsschritte und eine realistische Einschätzung der Qualität. Einfache Bedienung, vertiefte Entwicklung und betriebliche Absicherung werden in aufeinander abgestimmten Lernwegen angeboten.

Inhaltsübersicht

1. Projektlandschaft und Einsatzgebiete
2. Seminarformate
3. Empfohlene Besuchsreihenfolge
4. Passende Seminare auswählen

Projektlandschaft und Einsatzgebiete

Die Projekte ergänzen sich entlang der Verarbeitungskette. Maßgeblich für die Auswahl sind das Eingabedokument, die gewünschte Ausgabe und die erforderliche Ergebnisprüfung.

OCRmyPDF

Das Projekt ergänzt PDF-Dokumente um eine durchsuchbare Textebene und bietet Verarbeitungsschritte zur Aufbereitung gescannter Bestände. Die Seminare behandeln geeignete OCR-Modi, Bildkorrekturen, Ausgabeprüfung und wiederholbare Stapelläufe. Für die eigentliche Texterkennung wird im gemeinsamen Übungsaufbau Tesseract eingesetzt.

Tesseract

Die OCR-Engine erkennt gedruckte Texte in Bildern. Die Schulungen behandeln Sprachmodelle, Seitensegmentierung, Bildvorverarbeitung und messbare Erkennungsqualität. Für spezielle Anforderungen ergänzt ein Aufbauseminar die Anpassung bestehender Modelle mit tesstrain.

Docling

Das ursprünglich bei IBM Research Zürich gestartete Projekt erschließt Dokumentinhalte und Strukturen für weitere Datenprozesse und wird als Projekt bei LF AI & Data geführt. Die Seminare verbinden Konvertierung, Tabellenverarbeitung und strukturierte Exporte mit Suchanwendungen, Automatisierung und lokalem Betrieb.

Seminarformate

• Neun Fachseminare mit ein bis vier Tagen ermöglichen gezielte Grundlagen und eigenständige Vertiefungen.
• Zwei Intensivseminare mit jeweils fünf Tagen bündeln gemeinsam alle Fachthemen der beiden technischen Lernwege.
• Ein dreitägiges Kompaktseminar verbindet alle drei Werkzeuge in einem überschaubaren Praxisfall.

Empfohlene Besuchsreihenfolge

Der passende Einstieg richtet sich nach Vorwissen und Aufgabe. Gleichwertige Praxiserfahrung kann vorbereitende Seminare ersetzen. Intensive und kompakte Formate sind alternative Einstiege; ein doppelter Besuch der gleichen Grundlagen ist nicht erforderlich.

Orientierung

1. Dokumentenverarbeitung – Grundlagen und Werkzeugauswahl

Geeignet für einen fachlichen Einstieg und die Auswahl eines überschaubaren Pilotvorhabens. Anschließend wird je nach Ziel der OCR- oder der Extraktionslernweg gewählt.

OCR und PDF-Aufbereitung

1. Dokumentenverarbeitung – Grundlagen und Werkzeugauswahl
2. OCRmyPDF – Durchsuchbare PDFs und PDF/A erstellen
3. Tesseract – OCR, Bildvorverarbeitung und Qualitätsoptimierung
4. Tesseract – Modellanpassung und Training mit tesstrain

Die Modellanpassung ist eine optionale Vertiefung für nachgewiesene Modellschwächen. Für klassische Scan-PDF-Aufbereitung kann bereits die Kombination aus Grundlagen und OCRmyPDF ausreichen.

Strukturierte Daten und Wissenssuche

1. Docling – Grundlagen der strukturierten Dokumentenverarbeitung
2. Docling – Tabellen, Layout und strukturierte Daten extrahieren
3. Docling – Wissensbestände für Suche und RAG aufbereiten

Die Tabellenvertiefung ist vor dem RAG-Seminar besonders bei tabellenreichen Beständen sinnvoll. Bei vorwiegend textbasierten Dokumenten kann auf die Docling-Grundlagen unmittelbar die RAG-Aufbereitung folgen.

Automatisierung und Betrieb

1. OCRmyPDF – Durchsuchbare PDFs und PDF/A erstellen
2. Docling – Grundlagen der strukturierten Dokumentenverarbeitung
3. Dokumentenverarbeitung – Automatisierung mit Python und Schnittstellen
4. Dokumentenverarbeitung – Sicherer Betrieb und Qualitätssicherung

Nach den benötigten Werkzeuggrundlagen folgen die Python-Integration und die betriebliche Absicherung. Bereits vorhandene gleichwertige Kenntnisse ersetzen den jeweiligen Grundlagenkurs.

Verdichteter Intensivweg

1. Intensivseminar – OCR und PDF-Verarbeitung mit OCRmyPDF und Tesseract
2. Intensivseminar – Strukturierte Dokumentenverarbeitung mit Docling

Beide Intensivseminare fassen zusammen alle neun Fachseminare thematisch zusammen. Jeder Intensivkurs ist einzeln buchbar und auf fünf Tage begrenzt. Vorbereitete Umgebungen und ausgewählte Übungen ermöglichen die Verdichtung; die Einzelkurse bieten mehr Raum für Varianten und eigenständige Vertiefung.

Kompakter Einstieg

1. Dokumentenverarbeitung kompakt – OCRmyPDF, Tesseract und Docling

Der dreitägige Kurs vermittelt einen durchgehenden Praxisfall mit allen drei Werkzeugen. Er ist eine Alternative für den schnellen Überblick und kann anschließend durch gezielt ausgewählte Fachseminare ergänzt werden.

Passende Seminare auswählen

Die alphabetische Seminarauswahl unterhalb der Beschreibung führt zu allen Angeboten. Die Besuchsreihenfolge ergibt sich aus den Lernwegen und den Voraussetzungen des jeweiligen Seminars. Die Fachseminare können bei passendem Vorwissen auch einzeln besucht werden.