Door Zander van der Meer
Oprichter WolkBox · bouwt Nederlandse thuisservers sinds 2024
Kort antwoord
Een doorzoekbare PDF is een gescand document waar via OCR een onzichtbare tekstlaag aan is toegevoegd. Daardoor kun je op elk woord in het document zoeken. Je maakt er een door je papier te scannen en door OCR-software zoals Paperless-ngx de tekst te laten herkennen. Alles gebeurt lokaal, zodat je gevoelige documenten je huis niet verlaten.
Je scant een oude factuur in, sla hem op als PDF, en een maand later kun je hem niet terugvinden omdat je niet meer weet hoe je het bestand had genoemd. Herkenbaar? Het probleem is dat een gewone scan slechts een plaatje van je document is. De computer ziet geen tekst, alleen pixels. Zoeken op inhoud is onmogelijk.
De oplossing is een doorzoekbare PDF: dezelfde scan, maar met een tekstlaag die door OCR is toegevoegd. In deze gids lees je hoe OCR werkt, hoe je papieren documenten scant naar doorzoekbare PDF, en hoe je dat volledig lokaal doet, zonder je documenten naar een clouddienst te sturen.
Wat is een doorzoekbare PDF?
Een doorzoekbare PDF ziet er precies zo uit als een gewone gescande PDF, maar er zit een verschil onder de motorkap. Naast de afbeelding van je document bevat het bestand een onzichtbare tekstlaag. Die laag ligt exact over de woorden in de scan heen. Je ziet hem niet, maar je computer kan hem lezen, doorzoeken en kopiëren.
Het verschil merk je zodra je iets zoekt. Bij een gewone scan levert zoeken op “energierekening” niets op, want er is geen tekst om in te zoeken. Bij een doorzoekbare PDF springt de zoekfunctie direct naar het juiste woord, of dat nu in je PDF-lezer is of in een documentbeheersysteem.
Hoe werkt OCR?
OCR staat voor Optical Character Recognition, oftewel optische tekstherkenning. De software analyseert de vormen in de scan, herkent ze als letters en woorden, en zet die om in echte, selecteerbare tekst. Die tekst wordt vervolgens als onzichtbare laag aan de PDF toegevoegd.
De bekendste open-source OCR-engine is Tesseract, inmiddels op versie 5. Het is dezelfde motor die Paperless-ngx gebruikt. Op gedrukte Nederlandse tekst haalt Tesseract 5 een nauwkeurigheid van 95 tot 97%, inclusief woorden met accenten en omlauten. Facturen, brieven, aanslagen en formulieren worden vrijwel foutloos herkend.
Handgeschreven tekst is een ander verhaal. Netjes handschrift wordt soms deels herkend (40 tot 60%), snel gekrabbel bijna niet. Scan handgeschreven brieven daarom liever in als gewone afbeelding en gebruik tags om ze terug te vinden.
De juiste scaninstellingen
Goede OCR begint bij een goede scan. Met deze instellingen krijg je de beste tekstherkenning zonder onnodig grote bestanden:
| Instelling | Aanbevolen waarde | Waarom |
|---|---|---|
| Resolutie | 300 dpi | Scherp genoeg voor OCR, niet onnodig groot |
| Kleur | Grijstinten of kleur | Meer contrast helpt de herkenning |
| Formaat | Meest gangbaar en OCR-vriendelijk | |
| Dubbelzijdig | Aan (indien mogelijk) | Scant beide kanten in één keer |
Hoger dan 300 dpi is zelden nodig en maakt je bestanden alleen maar groter. Zorg vooral dat het papier recht ligt en de scan niet scheef of donker is: dat doet meer voor je tekstherkenning dan extra resolutie.
Lokaal scannen vs. de cloud
Veel scan-apps en clouddiensten bieden OCR aan. Handig, maar er zit een addertje onder het gras: je stuurt je documenten naar de servers van een bedrijf. En juist de documenten die je wilt digitaliseren (aanslagen, polissen, medische brieven) zijn je gevoeligste papieren.
| Manier | Waar draait de OCR | Privacy | Kosten |
|---|---|---|---|
| Paperless-ngx (eigen server) | Bij jou thuis | Maximaal | Gratis + hardware |
| Scan-app met cloud-OCR | Bij de provider | Laag | Vaak abonnement |
| Kantoorscanner naar cloud | Bij de provider | Laag | Abonnement |
| Losse OCR-tool op je pc | Op je pc | Goed | Wisselend |
Lokaal scannen met Paperless-ngx geeft je dezelfde doorzoekbare PDF’s, maar je documenten blijven op je eigen hardware. Geen provider die meeleest, geen abonnement. Meer over waarom dat verschil uitmaakt, lees je in waarom een eigen server in 2026 geen luxe meer is.
Stap voor stap: van papier naar doorzoekbare PDF
Met Paperless-ngx op een server bij jou thuis is het proces grotendeels automatisch. Zo ziet het eruit:
- 1 Scan je document op 300 dpi naar de consume-map, de map die Paperless-ngx continu in de gaten houdt.
- 2 OCR draait automatisch: Tesseract herkent de Nederlandse tekst en voegt de onzichtbare tekstlaag toe.
- 3 Datum en afzender worden herkend en toegewezen, samen met voorgestelde tags.
- 4 Je doorzoekt alles: typ een woord, bedrag of naam en het juiste document verschijnt direct.
Wil je de volledige installatie zien? Die staat in onze gids over Paperless-ngx installeren in het Nederlands. En voor het complete scanproces met scannerkeuze en bewaartermijnen: documenten digitaliseren thuis met Paperless-ngx.
Tips voor de beste tekstherkenning
Scan recht en licht. Een scheve of donkere scan verlaagt de nauwkeurigheid meer dan wat dan ook. Een scanner met automatische invoer houdt het papier vanzelf recht.
Stel de juiste taal in. Zorg dat het Nederlandse taalpakket (nld) geladen is. Voor documenten die deels Engels zijn, voeg je dat taalpakket toe.
Combineer OCR met tags. Zelfs de beste OCR is niet perfect. Door documenten ook te taggen (op type, afzender of jaar) vind je alles terug, ook als een enkel woord verkeerd is herkend.
Laat het automatisch lopen. Met een consume-map en e-mailimport hoef je zelf niets meer te doen: papier erin, en je doorzoekbare PDF verschijnt vanzelf in je archief.
Veelgestelde vragen
Wat is het verschil tussen een gewone en een doorzoekbare PDF?
Een gewone gescande PDF is alleen een afbeelding van je document: je kunt er niet in zoeken. Een doorzoekbare PDF heeft via OCR een onzichtbare tekstlaag die exact over de woorden ligt, waardoor je op elk woord in het document kunt zoeken en tekst kunt selecteren.
Hoe nauwkeurig is OCR op Nederlandse documenten?
Op gedrukte Nederlandse tekst haalt Tesseract 5 een nauwkeurigheid van 95 tot 97%, inclusief accenten en omlauten. Facturen, aanslagen en brieven worden vrijwel foutloos herkend. Handgeschreven tekst ligt lager, tussen 40 en 60% bij netjes handschrift.
Kan ik documenten scannen met mijn telefoon?
Ja. Een scan-app op je telefoon maakt bruikbare scans via je camera. Sla ze op in de consume-map van Paperless-ngx (via de Bestanden-app of een gedeelde map) en de OCR draait automatisch, net als bij een fysieke scanner.
Blijven mijn documenten privé bij lokale OCR?
Ja. Bij Paperless-ngx draait de OCR op je eigen server, dus je documenten verlaten je huis niet. Anders dan bij cloud-scan-apps stuurt niemand je gevoelige papieren naar een externe server. Dat is precies het voordeel van lokaal werken.
Welke resolutie is het beste voor OCR?
300 dpi is de zoete plek: scherp genoeg voor betrouwbare tekstherkenning, zonder onnodig grote bestanden. Hoger dan 300 dpi levert zelden betere OCR op en kost alleen meer opslagruimte.
Conclusie
Documenten scannen naar doorzoekbare PDF verandert een stapel dode plaatjes in een archief dat je op elk woord kunt doorzoeken. Met OCR-software zoals Paperless-ngx gebeurt dat automatisch en volledig lokaal, zodat je gevoelige documenten je huis nooit verlaten. Scan op 300 dpi, zet het juiste taalpakket aan, en de software doet de rest.
Wil je meteen aan de slag zonder installeren? De WolkBox draait Paperless-ngx en vier andere privacyvriendelijke apps, klaar voor gebruik binnen vijf minuten.
Verder lezen
- Paperless-ngx installeren in het Nederlands: de complete installatiegids met Docker.
- Documenten digitaliseren thuis met Paperless-ngx: scannerkeuze en bewaartermijnen.
- Thuisadministratie digitaliseren met Paperless-ngx: een werkbare structuur voor je papierwerk.
Heb je vragen over de WolkBox? Neem contact op. We helpen je graag.