Warum ein gescanntes PDF viel größer ist als das Original

Rechne es einmal durch, dann ist es nicht mehr rätselhaft

Ein Scanner liest kein Dokument. Er tastet ein Blatt Papier auf einem Raster ab und speichert das Ergebnis, und die Größe dieses Rasters bestimmen zwei Zahlen, die du gewählt hast, ohne darüber nachzudenken.

Eine A4-Seite misst 210 × 297 mm, also etwa 8,3 × 11,7 Zoll. Bei 300 Abtastpunkten pro Zoll sind das rund 2.480 × 3.500 Pixel — etwa 8,7 Millionen davon, für eine Seite. In voller Farbe, bei drei Byte pro Pixel, sind das ungefähr 26 MB Rohdaten, noch ganz ohne Komprimierung. Stell auf 600 DPI, und das Raster verdoppelt sich in jeder Richtung, die Pixelzahl vervierfacht sich also: etwa 35 Millionen Pixel und 104 MB roh, für dasselbe Blatt Papier.

Komprimierung drückt diese Zahlen enorm — deshalb ist eine gescannte Seite typischerweise ein paar hundert Kilobyte groß und nicht 26 MB —, aber sie ändert die Verhältnisse nicht. Ein 600-DPI-Scan ist ungefähr die vierfache Arbeit eines 300-DPI-Scans, was der Kompressor hinterher auch tut, und ein Farbscan trägt ungefähr dreimal so viele Abtastwerte wie ein grauer.

Halte das gegen die Alternative. Dieselbe Seite als Text geschrieben ist ein Inhaltsstrom aus Zeichenanweisungen: welche Schrift, welche Größe, welche Zeichen, an welchen Koordinaten. Eine Seite Fließtext kostet ein paar Kilobyte. Das ist der ganze Abstand, und deshalb ist ein 40-seitiger Bericht aus einer Textverarbeitung kleiner als ein 4-seitiger Scan desselben Berichts.

Um herauszufinden, welche Art Datei du überhaupt hast: Seitenzahl und Dateiinfo nennt die Seitengrößen und ob es eine Textebene gibt, und Ist dieses PDF gescannt oder ist es Text? behandelt die Zwei-Sekunden-Variante des Tests.

Die zwei Einstellungen, die alles entscheiden

Auflösung

Auflösung bedeutet nur etwas im Verhältnis dazu, wozu das Ergebnis dienen soll. Gedruckter Text bei 300 DPI ist auf Armlänge nicht vom Papier zu unterscheiden; am Bildschirm, wo du vielleicht 100 bis 150 Pixel pro Zoll angezeigter Seite siehst, ist die Hälfte davon schon unsichtbar. 600 DPI sind zum Wiedergeben feiner Details da — eine Fotografie, die du erneut drucken willst, ein Stich, eine Handschrift, die du untersuchen musst — und die falsche Einstellung für ein Bürodokument, wo sie die Datei vervierfachen, im Tausch gegen Details, die kein Leser je sehen wird.

Farbmodus

Jedes Pixel wird mit einer bestimmten Tiefe gespeichert. Volle Farbe behält drei Kanäle; Graustufen behalten einen; Schwarzweiß behält ein einziges Bit, an oder aus.

Nach der Komprimierung stehen die Verhältnisse nicht mehr genau bei 24 : 8 : 1 — JPEG behandelt Farbinformation gröber als Helligkeit, ein Farbscan liegt also oft eher beim Doppelten eines grauen als beim Dreifachen, und ein schwarzweißer Scan, mit den Fax- und Bilevel-Verfahren komprimiert, die PDF unterstützt, kann kleiner als ein Zwanzigstel sein. Die Richtung stimmt verlässlich, auch wo der genaue Faktor es nicht tut.

Scannermenüs benutzen diese Wörter selten. Modi wie „Dokument“, „Text“ oder „Fax“ sind meist Graustufen oder 1 Bit; „Foto“ ist Farbe bei hoher Auflösung. Bietet deiner nur einen Qualitätsregler und sonst nichts, ist dessen Mitte für Papierkram fast immer die richtige Antwort.

Die Datei in Ordnung bringen, die du schon hast

Ein Scan ist die eine Art PDF, bei der Komprimierung verlässlich wirkt, denn ein Scan besteht aus nichts als Bildern, und in den Bildern stecken die Bytes. Die Reihenfolge, die am meisten herausholt:

1. Erst hinsehen. Seitenzahl und Dateiinfo, dann die Dateigröße durch die Seitenzahl teilen. Über etwa einem Megabyte pro Seite hast du einen hochauflösenden Farbscan mit reichlich Luft darin. Unter etwa 150 KB pro Seite ist kaum noch etwas zu holen.
2. Lass die Farbe weg, wenn sie nichts trägt. PDF in Graustufen wandelt die Seiten in Grau um, was die Farbkanäle entfernt und dem Kompressor hinterher die Arbeit erleichtert. Mach das vor dem Komprimieren, nicht danach.
3. Komprimieren. PDF komprimieren dekodiert jedes eingebettete Bild, rechnet es auf eine sinnvolle Auflösung für die Größe herunter, in der es gezeichnet wird, und kodiert es neu. Wie PDF-Kompression funktioniert beschreibt, was jeder Modus verändert. Wenn du auf eine feste Zahl hinarbeitest, zielt Auf 1 MB komprimieren direkt darauf.

Zwei ehrliche Warnungen speziell zum Komprimieren eines Scans.

Scans vertragen es schlechter als Fotografien. JPEG verwirft Details dort, wo das Auge am unempfindlichsten ist, und konzentriert seine Fehler rund um scharfe, kontrastreiche Kanten — und genau das ist eine Buchstabenform. Ein Urlaubsfoto in niedriger Qualität sieht leicht weich aus; ein Seitenscan bei derselben Einstellung bekommt Flusen um die Buchstaben und fängt an, wie eine schlechte Fotokopie auszusehen. Prüf das Ergebnis bei 100 %, bevor du es verschickst, und warum ist mein PDF unscharf behandelt, was du da siehst, wenn es schiefgegangen ist.

Was der Scanner verworfen hat, bekommst du nicht zurück. Komprimierung kann den Überschuss aus einem 600-DPI-Farbscan werfen, ohne dass du in Lesegröße etwas vermisst. Sie kann einem Scan, der von vornherein mit 150 DPI gemacht wurde, keine Details hinzufügen, und keine Einstellung auf dieser Seite oder sonstwo tut das.

Wann Neuscannen schlicht die richtige Antwort ist

Wenn du das Papier noch hast, ist ein neuer Scan mit der richtigen Einstellung meist schneller, als mit der Datei zu kämpfen, und das Ergebnis ist besser — weil die Kompressionsartefakte gar nicht erst entstanden sind, statt zu entstehen und dann teilweise entfernt zu werden.

Für gewöhnlichen Papierkram: 300 DPI, Graustufen, direkt in ein einziges mehrseitiges PDF gescannt. Das ist klein, scharf, druckt richtig, hält Bleistift und Unterschriften lesbar und braucht keine Nacharbeit. Farbe nur, wenn die Farbe etwas bedeutet.

Jede Seite in eine eigene Datei zu scannen und sie hinterher mit PDF zusammenfügen zu verbinden, funktioniert einwandfrei und ist manchmal das Einzige, was dein Scanner anbietet. Aber ein Scanner, der direkt ein Dokument ausgeben kann, gibt meist ein kleineres aus, weil er den ganzen Auftrag mit einheitlichen Einstellungen komprimiert.

Handyfotos von Seiten sind der Fall, den man meiden sollte, wenn man die Wahl hat. Ungleichmäßiges Licht, ein leichter Winkel und ein Hintergrund geben dem Kompressor mehr Variation zu bewahren als ein Flachbettscanner, die Datei wird also größer und schlechter lesbar. Wenn ein Handy alles ist, was du hast, ist eine Scan-App, die die Perspektive entzerrt und die Seite über einen Schwellenwert auf Schwarzweiß bringt, deutlich besser als die Kamerarolle.

Drei Dinge, die vor der Entscheidung zu wissen lohnen

Die Größe ist das Geringste, was ein Scan dich kostet. Eine gescannte Seite enthält keinen Text, das Dokument lässt sich also nicht durchsuchen, nichts daraus kopieren, ein Screenreader kann es nicht vorlesen, und in Word wird es zu einem Bild. OCR erkennt die Zeichen und legt eine Textebene unter das Bild, was all das behebt — und die Datei eher etwas größer macht als kleiner, denn der Text kommt zum Bild hinzu, statt es zu ersetzen. Dieses Tool läuft auf einem Server, das Dokument wird zur Verarbeitung also hochgeladen; bei einem vertraulichen Scan ist das eine Entscheidung, die man bewusst trifft.

Die aggressivsten Schwarzweiß-Modi können die Zeichen verändern. Manche Scanner komprimieren 1-Bit-Ausgaben, indem sie wiederkehrende Formen suchen und von jeder eine Kopie speichern, was extrem effizient ist und dort, wo zwei Zeichen bei der Scanauflösung ähnlich aussehen, nachweislich schon eines durch das andere ersetzt hat — eine Ziffer, die in einer Tabelle, die niemand noch einmal gelesen hat, still zu einer anderen wurde. Wenn die Zahlen zählen, nimm nicht die kleinste Schwarzweiß-Einstellung, und vergleiche die Ausgabe mit dem Papier.

Behalte das Original. Jeder Schritt hier ist einseitig. Herunterrechnen, Graustufenumwandlung und Neukomprimierung verwerfen Informationen endgültig, und der Moment, in dem du merkst, dass du die Farbversion gebraucht hättest, ist nie der Moment, den du erwartest.