OCR og ikke‑søgbare filer: det, søgningen ikke finder

Forside › eDiscovery teknisk · Gennemgået oktober 2026 · Af John Nielsen

En tekstsøgning finder kun dokumenter, der har tekst i indekset. Scannede PDF’er, fotograferede dokumenter, skærmbilleder, faxer, mange tegninger og filer i ukendte eller krypterede formater har ingen søgbar tekst og rammes aldrig af en søgeterm. I mange sager er det netop sådanne filer, der rummer underskrevne kontrakter, håndskrevne noter eller billeder af skærme. Ikke-søgbare filer skal derfor identificeres, behandles med OCR, hvor det er muligt, og rapporteres, hvor det ikke er.

Hvorfor filer er ikke-søgbare

Billeder af tekst · Eksempler: Scannede PDF’er, fotos, skærmbilleder, faxer · Mulig behandling: OCR
Delvist søgbare filer · Eksempler: PDF’er med både tekstlag og scannede sider · Mulig behandling: OCR af siderne uden tekst
Krypterede eller beskyttede filer · Eksempler: Adgangskodebeskyttede dokumenter og arkiver · Mulig behandling: Nøgle ad lovlig vej, ellers rapportering
Korrupte filer · Eksempler: Afbrudte downloads, beskadigede postkasser · Mulig behandling: Reparation på kopi, ellers rapportering
Ukendte formater · Eksempler: Fagsystemer, CAD, databaser, ældre formater · Mulig behandling: Særligt værktøj eller konvertering
Lyd og video · Eksempler: Optagelser, voicemails, mødeoptagelser · Mulig behandling: Transskription eller manuel gennemgang
Meget store filer · Eksempler: Store logfiler, databaser, arkiver · Mulig behandling: Opdeling eller særskilt analyse

Identifikationen sker under processing, hvor værktøjet registrerer filer uden udtrukket tekst eller med fejl. → Behandling af data (processing)

Sådan virker OCR

OCR (optisk tegngenkendelse) analyserer et billede, finder områder med tekst, deler dem i linjer, ord og tegn og omsætter tegnene til tekst. Resultatet gemmes typisk som et skjult tekstlag under billedet eller som en separat tekstfil, der indekseres. Moderne OCR bruger sprogmodeller og ordbøger til at vælge mellem tvivlsomme tegn, hvilket gør sprogindstillingen vigtig.

Kvaliteten afhænger af:

Opløsning. Lav opløsning, fx fra faxer eller komprimerede fotos, giver flere fejl.
Kontrast og støj. Gråt papir, stempler, streger og skygger forstyrrer.
Layout. Tabeller, kolonner og tekst i figurer læses ofte i forkert rækkefølge.
Skrifttype og håndskrift. Trykt tekst genkendes godt, håndskrift dårligt eller slet ikke med standardværktøjer.
Sprog. Uden dansk sprogpakke behandles æ, ø og å ofte forkert.

Danske faldgruber i OCR

Dansk giver særlige problemer:

Æ, ø og å. OCR uden dansk sprogindstilling kan læse “ø” som “o” eller “0” og “å” som “a”. Søgninger på danske ord rammer så ikke.
Sammensatte ord over linjeskift. Orddeling med bindestreg ved linjeskift kan give to tokens, fx “leje-” og “kontrakt”, som ikke findes ved søgning på “lejekontrakt”.
Tal og beløb. Punktum som tusindtalsseparator og komma som decimaltegn forveksles let, og “1” og “l” byttes om.

Test OCR-kvaliteten på et udsnit af dokumenterne: søg efter kendte ord, og sammenlign OCR-teksten med billedet. Vælg udsnittet, så det dækker de forskellige typer i materialet, fx faxer, scanninger fra kopimaskiner og fotos fra telefoner, fordi kvaliteten typisk varierer mere mellem typer end inden for en type. Hvis kvaliteten er dårlig, kan billedbehandling før OCR (opretning, kontrastjustering, støjfjernelse) eller et andet værktøj give bedre resultat.

Hvad OCR ændrer, og hvad det ikke må ændre

OCR tilføjer tekst, men må ikke ændre det oprindelige dokument. Arbejd på en kopi, og bevar originalen med uændret hashværdi. Hvis OCR-versionen produceres til modparten, skal det fremgå, at teksten er maskinelt genkendt, og at billedet er det autoritative. OCR-tekst er et søgeværktøj, ikke en gengivelse af dokumentets indhold, og den bør ikke citeres uden kontrol mod billedet.

Det er også vigtigt at kunne skelne mellem en PDF, der oprindeligt havde et tekstlag, og en, der har fået tekst ved OCR. Den oprindelige tekst er dokumentets eget indhold, OCR-teksten er en fortolkning. → Digitale signaturer i PDF: teknisk validering

Billeder og skærmbilleder

Billeder af tekst er almindelige i chats og mails: fotos af kontrakter, skærmbilleder af beskeder og regneark. OCR kan gøre teksten søgbar, men skærmbilleder har ofte lav opløsning, mørk baggrund eller små skrifter, der giver fejl. Billeder uden tekst, fx fotos af genstande eller steder, kan ikke søges i med tekst overhovedet. Hvis billeder er centrale, kan metadata og manuel gennemgang være eneste vej. Visuelle søgeværktøjer, der klassificerer billeder efter indhold, kan hjælpe med at prioritere, men deres resultater er sandsynlighedsbaserede og skal behandles som et filter, ikke som en konklusion.

Prioritering, når OCR ikke kan dække alt

I store sager kan det være urealistisk at køre OCR på alle billeder, fx tusindvis af fotos fra telefoner eller indlejrede logoer i mails. Så skal der prioriteres. Typiske kriterier er filtype (PDF’er og TIFF-filer før fotos), størrelse og sidetal, kilde og person samt periode. Indlejrede signaturbilleder og logoer kan ofte filtreres fra ud fra størrelse eller hashværdi. Det afgørende er, at prioriteringen er beskrevet og begrundet, og at de fravalgte filer fremgår af undtagelseslisten med antal og kategori, så modparten kan tage stilling til, om fravalget er rimeligt.

Lyd og video

Optagelser fra møder, telefonsvarere og videoer kan transskriberes maskinelt. Kvaliteten afhænger af lydkvalitet, dialekt, fagudtryk og antal talere, og maskinel transskription af dansk har flere fejl end af engelsk. Transskriptionen er et søgeværktøj på samme måde som OCR-tekst. Afgørende passager skal kontrolleres mod optagelsen.

Krypterede og ukendte formater

Krypterede filer kan kun gøres søgbare, hvis nøglen fås ad lovlig vej, fx fra virksomhedens administratorer, ejeren eller via tjenestens egne funktioner. Ellers skal de rapporteres med type, sti og forælder. → Når nøglen mangler: dokumentation af utilgængelige data

Filer med forkert endelse eller ukendt format bør identificeres via filsignaturen, før de afskrives som ulæselige. En fil, der ser ud som en ukendt binær fil, kan være et almindeligt dokument med forkert endelse. → Filsignaturer og forkerte filendelser

Rapportering af undtagelser

Den vigtigste leverance er en oversigt over det, der ikke kunne søges i. Den bør indeholde:

antal filer pr. kategori og pr. person,
hvilke kategorier der er behandlet med OCR eller transskription, og med hvilket værktøj og sprog,
resultatet af kvalitetstesten,
hvilke filer der stadig ikke er søgbare, og hvorfor,
hvordan de er håndteret, fx manuel gennemgang, udeladelse efter aftale eller produktion uden søgning.

Oversigten bør stå i søgetermrapporten som en selvstændig linje, så det er tydeligt, at “ingen hits” ikke dækker disse filer. → Søgetermrapport og hitlister

Hvad det betyder for konklusionen

Et negativt søgeresultat siger kun noget om det søgbare materiale. Hvis en betydelig del af materialet er billeder eller scannede dokumenter uden OCR, kan en påstand om, at “der ikke findes dokumenter om emnet”, ikke opretholdes. Omvendt kan en dokumenteret OCR-behandling med testet kvalitet styrke tilliden til, at søgningen er fuldstændig.

Dokumentation

Angiv værktøj, version og sprogindstilling for OCR og transskription, eventuel billedbehandling, kvalitetstestens metode og resultat, og en fuld undtagelsesliste. Bevar originalerne med hashværdi ved siden af OCR-versionerne, så det altid kan vises, hvad der er dokumentets eget indhold, og hvad der er tilføjet.

Kilder og versioner

Senest gennemgået: oktober 2026.

Næste skridt

Del af: eDiscovery teknisk

Læs også: Søgetermrapport og hitlister: test og justering af søgninger · Mailtråde, Message-ID og familierelationer

→ eDiscovery teknisk · For sagkyndige · Tlf. 70 13 63 23 · Digital bevissikring hos Nielco IT

Skrevet af John Nielsen, IT‑sagkyndig og indehaver af Nielco IT. Selvstændig siden 2009 og mere end 30 års erfaring med IT‑sikkerhed. Har været IT‑sagkyndig i danske retskredse og ved Den Fælles Europæiske Patentdomstol (UPC). Om John Nielsen · LinkedIn · Redaktionel politik