PDF unter Linux extrahieren und ins Deutsche übersetzen

Dieses Tutorial zeigt, wie du ein PDF-Dokument (z.B. ein französisches PDF) mit Open-Source-Tools auf einem Linux-System in durchsuchbaren Text umwandelst und anschließend ins Deutsche übersetzt.

Voraussetzungen

• Linux-System (Debian, LMDE oder irgendeine andere Distribution)
• Terminal-Zugang
• Installation folgender Pakete:
  • ocrmypdf
  • poppler-utils
  • tesseract-ocr-fra (französische Sprache für OCR)
  • tesseract-ocr-deu (deutsche Sprache, falls für OCR benötigt)
  • translate-shell (für maschinelle Übersetzung)
  • Optional: po4a und gettext-Tools für PO/POT-Workflow

1. Prüfen, ob Text im PDF direkt extrahierbar ist

Öffne das PDF mit einem PDF-Reader (z.B. Evince, Okular) und versuche, Text zu markieren und zu kopieren.

• Wenn es klappt: Text direkt extrahieren
  pdftotext input.pdf dokument.txt

• Wenn nicht (Scan-PDF ohne Text), dann weiter mit OCR.

2. OCR für das PDF ausführen

OCR erzeugt unsichtbaren Text im PDF, der durchsuchbar und extrahierbar ist.

ocrmypdf -l fra input.pdf output_ocr.pdf

Erläuterung:

• -l fra sagt, dass die Texte auf Französisch sind (OCR-Sprache)
• input.pdf ist dein Original-PDF
• output_ocr.pdf ist die neue Datei mit eingebetteter Textschicht

3. Text aus dem OCR-PDF extrahieren

Jetzt kannst du den erkannten Text extrahieren:

pdftotext output_ocr.pdf dokument.txt

Die Datei dokument.txt enthält den reinen französischen Text.

4. Text maschinell ins Deutsche übersetzen

Übersetze den Text mit translate-shell:

trans -b :de -i dokument.txt -o dokument_de.txt

Parameter:

• -b: „Brief mode“ (übersetzt nur den Text, keine Zusatzinfos)
• :de: Zielsprache Deutsch
• -i: Eingabedatei (hier französischer Text)
• -o: Ausgabedatei (deutsche Übersetzung)

5. Optional: Professioneller PO/POT-Workflow mit po4a

Für größere Projekte oder bessere Verwaltung kannst du so vorgehen:

a) Pot-Datei aus Text erstellen

po4a-gettextize -f text -m dokument.txt -p dokument.pot

b) PO-Datei für Deutsch anlegen

msginit --input=dokument.pot --locale=de --output=dokument-de.po

c) .po-Datei bearbeiten

Öffne dokument-de.po mit einem Texteditor oder einem Tool wie Poedit.

d) Übersetzung zurück ins Textformat übertragen

po4a-translate -f text -m dokument.txt -p dokument-de.po -l dokument_de.txt

Zusammenfassung aller Befehle

1. Pakete installieren

sudo apt update

sudo apt install ocrmypdf poppler-utils tesseract-ocr-fra tesseract-ocr-deu translate-shell po4a gettext

2. OCR-PDF erzeugen (für Scan-PDF)

ocrmypdf -l fra input.pdf output_ocr.pdf

3. Text aus OCR-PDF extrahieren

pdftotext output_ocr.pdf dokument.txt

4. Text ins Deutsche übersetzen

trans -b :de -i dokument.txt -o dokument_de.txt

Optional: PO-Workflow

po4a-gettextize -f text -m dokument.txt -p dokument.pot msginit --input=dokument.pot --locale=de --output=dokument-de.po

PO-Datei bearbeiten…

po4a-translate -f text -m dokument.txt -p dokument-de.po -l dokument_de.txt

Hinweise

• Die OCR- und Übersetzungsqualität kann je nach Dokument variieren.
• Lokal installierte Lösungen sind besonders bei sensiblen Daten zu bevorzugen.
• Für eine GUI-basierte OCR kannst du z.B. gscan2pdf installieren und verwenden.
• Die vorgehensweise ist für alle Sprachen gleich. Bei OCR muss dann die jeweilige Sprache installiert sein, aus der man übersetzen will.

Viel Erfolg bei der Übersetzung deines PDF-Dokuments!