Beste Handschriften-OCR-Tools 2026 - Getestet an echten handgeschriebenen Formularen

Parseur Handschriften-OCR-Benchmark 2026. Getestet im Oktober 2026. Sechs Tools, sieben gescannte Dokumente, 209 Felder.

Im Parseur Handschriften-OCR-Benchmark 2026, der sechs Tools zur Dokumentenextraktion an gescannten, teilweise handgeschriebenen Öl- und Gasformularen der Texas Railroad Commission (RRC) verglich, extrahierte Parseur alle 209 Felder korrekt. ChatGPT extrahierte 188, Gemini 180 und Extend 175. Nanonets (151) und Docparser (136) lagen 58 und 73 Felder zurück. Wir haben jedes Ergebnis Feld für Feld mit den Originalscans abgeglichen.

Offenlegung: Parseur ist unser Produkt. Um den Test fair zu halten, haben wir jedes Tool anhand desselben Lösungsschlüssels und derselben Regeln bewertet und veröffentlichen die Fehler jedes Tools, einschließlich der von Parseur.

Wichtige Erkenntnisse

• Parseur war das einzige Tool mit null Fehlern in einem Test im Oktober 2026 von sechs Tools zur optischen Zeichenerkennung (OCR) von Handschriften und zur Dokumentenextraktion an sieben gescannten RRC-Formularen.
• Handgeschriebene Namen und E-Mails unterschieden die Tools am stärksten. Bei den beiden am stärksten handgeschriebenen Formularen (44 Felder) machte Parseur 0 Fehler und Extend 1, während ChatGPT 12, Gemini 16, Docparser 17 und Nanonets 24 Fehler machten.
• Prüfernotizen wurden zu gefälschten Unterschriften. Drei von sechs Tools erfassten das Genehmigungsdatum eines RRC-Prüfers ("OK to process") als Unterschriftsdatum des vorherigen Betreibers.
• Den Text zu lesen ist nicht dasselbe wie die Daten zu extrahieren. Nanonets und Docparser lasen einen Wert oft richtig, setzten ihn aber in das falsche Feld oder gaben gedruckte Formularbeschriftungen als extrahierte Daten zurück.
• Ein PDF, mehrere Formulare. Extend gab standardmäßig nur einen Datensatz pro PDF zurück und behielt lediglich den ersten von drei Pachtverträgen in einer Datei mit mehreren Formularen.
• Allgemeine KI-Chatbots schnitten bei getipptem Text besser ab als erwartet, lasen aber handgeschriebene Großbuchstaben teils völlig falsch. ChatGPT machte aus "John Posey" "John Poso" und aus "Gulfmark" "Galfmark".

Handschriften-OCR in Zahlen

Was ist Handschriften-OCR und warum ist sie so schwierig?

Handschriften-OCR ist eine Technologie, die handgeschriebenen Text aus einem Scan oder Foto in maschinenlesbaren Text umwandelt. In diesem Kontext werden häufig drei Begriffe verwendet:

• OCR (optische Zeichenerkennung) liest gedruckte Zeichen. Klassische OCR-Engines verarbeiten getippten Text sehr gut, tun sich mit Handschrift jedoch enorm schwer.
• ICR (intelligente Zeichenerkennung) liest handgedruckte Zeichen, in der Regel jedoch nur einen Buchstaben pro Kästchen auf stark strukturierten Formularen.
• HTR (Handwritten Text Recognition) liest verbundene, frei fließende Handschrift wie kursive Notizen und historische Manuskripte.

Geschäftsdokumente sind jedoch oft komplizierter, als diese Bezeichnungen vermuten lassen. Ein typisches Formular mischt getippten Text, handgedruckte Großbuchstaben, kursive Unterschriften, Stempel und hastig darüber geschriebene Notizen. Scans sind oft Faxe oder Fotokopien von Fotokopien, die per E-Mail, Upload oder API in ein System gelangen.

Das reine Lesen der Zeichen ist dabei nur der erste Schritt. Ein Operations-Team muss jeden handgeschriebenen Wert in das richtige Feld extrahieren und validieren – und zwar in einem Format, das reibungslos in ein Tabellenkalkulationsprogramm, ein ERP-System (Enterprise Resource Planning) oder eine Datenbank importiert werden kann. Genau das haben wir in diesem Benchmark getestet: nicht "Kann das Tool den Text irgendwie lesen?", sondern "Landet der richtige Wert im richtigen Feld?".

Welches Handschriften-OCR-Tool war am genauesten?

Parseur war in unserem Handschriften-OCR-Test im Oktober 2026 mit 209 von 209 korrekten Feldern das genaueste Tool. ChatGPT (90,0 %) und Gemini (86,1 %) folgten auf den Plätzen zwei und drei.

Quelle: Parseur Handschriften-OCR-Benchmark 2026, getestet im Oktober 2026.

Der niedrigere Rang von Extend ergibt sich hauptsächlich aus einem einzigen Dokument. In der Standardeinstellung lieferte es nur einen Datensatz pro PDF und übersprang zwei der drei Pachtverträge in einer Datei mit mehreren Formularen, was für 28 seiner insgesamt 34 Fehler sorgte. Bei den Formularen, die Extend tatsächlich extrahierte, machte es lediglich 6 Fehler und las Handschrift fast so gut wie Parseur.

Wie hat jedes Tool bei den einzelnen Dokumenten abgeschnitten?

In unserem Test war Parseur das einzige Tool, das jedes Feld in jedem Formular extrahierte, und nur Parseur und Extend haben das stark handgeschriebene Formular 449_155 fast vollständig richtig erkannt.

Die sieben Dokumente sind echte, öffentliche Öl- und Gas-Einreichungen der Texas Railroad Commission, entnommen aus ExtractBench, dem öffentlichen Benchmark für Dokumentenextraktion von LlamaIndex. Sechs davon sind P-4-Formulare, die einen Betreiberwechsel dokumentieren, und eine Datei enthält zusätzlich ein P-6-Formular, das eine Pachtunterteilung beantragt. Der Abschnitt "Testdokumente" weiter unten beschreibt jedes einzelne davon.

Quelle: Parseur Handschriften-OCR-Benchmark 2026, getestet im Oktober 2026. Auf kleinen Bildschirmen seitlich wischen.

Bei den getippten Formularen unterschieden sich die Tools kaum. Bei den getippten 457_159 Pachtverträgen erzielten vier Tools 64 oder mehr von 66 Punkten. Die echten Lücken zeigten sich bei handgedruckten Großbuchstaben, kursiven E-Mails und Formularen mit handschriftlichen Notizen quer über den Text.

Was läuft bei der Datenextraktion aus handgeschriebenen Formularen schief?

In unserem Test ließen sich die Fehler bei handgeschriebenen Formularen in fünf Muster einteilen: falsch gelesene Handschrift, Prüfernotizen, die als Daten übernommen wurden, der richtige Text im falschen Feld, übersehene Formulare in PDFs mit mehreren Seiten und fehlerhafte handgeschriebene Tabellen. Jedes dieser Muster führte dazu, dass falsche Daten unbemerkt in ein Geschäftssystem gelangen konnten.

1. Welche Tools haben handgeschriebene Namen und E-Mails falsch gelesen?

ChatGPT, Gemini, Nanonets und Docparser lasen alle handgeschriebene Großbuchstaben bei den Formularen 449_155 und 223_41 falsch. Nur Parseur und Extend haben jedes der unten stehenden Beispiele korrekt gelesen.

Ein falsch gelesener Name ist schlimmer als ein leeres Feld. "John Poso" sieht aus wie ein echter Name, sodass niemand ihn überprüfen würde, und der Datensatz würde mit dem Betreiber in keinem anderen System mehr übereinstimmen.

2. Welche Tools machten aus Prüfernotizen Unterschriften?

Drei von sechs Tools erfassten das Genehmigungsdatum eines RRC-Prüfers fälschlicherweise als Unterschriftsdatum des vorherigen Betreibers: ChatGPT, Extend und Nanonets. Parseur, Gemini und Docparser ließen das Feld korrekterweise leer.

Auf drei Formularen schrieb ein RRC-Prüfer "O/K to process" mit Initialen und einem Datum über die Unterschriftszeile des vorherigen Betreibers. Kein vorheriger Betreiber hatte diese Formulare unterschrieben. Die Zeilen für Name, Titel, Datum und Telefonnummer waren komplett leer, und ein Formular trägt sogar den Vermerk "One Signature".

• ChatGPT gab 2010-04-28, das Datum des Prüfers, als Unterschriftsdatum bei 443_152 aus, und ein Datum, das überhaupt nicht auf dem Formular steht, bei 433_147. Bei 257_58 verschmolz es die Notiz mit dem Betreibernamen: "Schaaron International Energy Oil & Gas - OGC - TMO - 81911".
• Extend lieferte das Datum des Prüfers bei 433_147 und 443_152 und nutzte bei 443_152 die Initialen des Prüfers als Namen des Unterzeichners.
• Nanonets gab das Datum des Prüfers bei 433_147 und 257_58 aus und trug bei 257_58 den Namen des aktuellen Unterzeichners im Feld für den vorherigen Unterzeichner ein, während der Titel mit der Notiz selbst befüllt wurde.

Gemini hat dies ohne besondere Anweisung korrekt bewältigt. Für ein Operations-Team erzeugt dieser Fehler jedoch einen Datensatz über eine Unterschrift, die so nie stattgefunden hat.

3. Welche Tools setzten den richtigen Text ins falsche Feld?

Nanonets und Docparser lasen einen Wert oft richtig, gaben ihn aber im falschen Feld zurück, oder sie lieferten gedruckten Formulartext als extrahierten Wert.

• Nanonets setzte die P-5-Nummer des Betreibers bei 433_147 und 449_155 in das Feld für die Pacht-ID, eine Pacht-ID in das Feld für den RRC-Bezirk bei 257_58 und die gedruckten Checkbox-Beschriftungen "Authorized agent of previous operator" und "Authorized Employee" als Name und Titel des vorherigen Unterzeichners bei 223_41.
• Docparser mischte Formularanweisungen in den Namen des vorherigen Betreibers ("responsibility well(s) designated filing… ROCKER A OPERATING COMPANY"), fügte jeder Telefonnummer die Ländervorwahl +63 hinzu und las das Gültigkeitsdatum 6-1-11 fälschlicherweise als 2011-01-06.
• ChatGPT fügte der Lela-Pacht, die eigentlich keine Brunnen auflistet, eine erfundene Brunnen-Nummer "10A" hinzu.

Dies sind die am schwersten zu findenden Fehler, da jeder extrahierte Wert für sich genommen erst einmal plausibel aussieht.

4. Welche Tools konnten mit mehreren Formularen in einem PDF umgehen?

Vier von sechs Tools extrahierten alle drei Pachtverträge aus 457_159, einem einzigen PDF, das drei separate P-4-Formulare enthält. Parseur, ChatGPT, Gemini und Nanonets gaben dabei korrekt einen Datensatz pro Seite zurück.

• Extend, mit deaktivierter Multifile-Option, lieferte einen Datensatz für das gesamte PDF und behielt nur den ersten Pachtvertrag, wobei 28 Felder ignoriert wurden.
• Docparser fand die Pachtnamen und IDs des zweiten und dritten Pachtvertrags, ignorierte aber ansonsten fast alles, wodurch 23 Felder verloren gingen.

Gescannte behördliche Meldungen, Lieferscheine, Frachtbriefe (bills of lading) und Bewerbungsunterlagen kommen oft als ein PDF an, das mehrere Formulare enthält. Ein Tool, das nur einen Datensatz pro Datei zurückgibt, verwirft den Rest stillschweigend.

5. Welche Tools konnten eine handgeschriebene Tabelle extrahieren?

Nur ChatGPT hat die handgeschriebene Pacht-Tabelle auf dem P-6-Formular exakt reproduziert. Wir haben diese Tabelle getrennt von den 209 Feldern bewertet, da nicht jedes Tool explizit mit Tabellenfeldern eingerichtet war.

Die richtige Antwort besteht aus zwei resultierenden Pachtverträgen: 265 Acres mit den Brunnen 1WSW, 1 bis 7 und 10 und 9 API-Nummern sowie 60 Acres mit 3 API-Nummern.

Hier hat Parseur Punkte verloren: Zwar war jeder Wert richtig, aber für eine Aufteilung nach Pachtvertrag muss ein Tabellenfeld eingerichtet werden. Mit einem Tabellenfeld im Setup würde pro resultierendem Pachtvertrag eine eigene Zeile zurückgegeben.

Ergebnisse Tool für Tool

Parseur: 209/209. Parseur ist eine Plattform zur intelligenten Dokumentenverarbeitung (IDP) für Operations-Teams, die Dokumente von vielen Absendern erhalten und die Daten automatisiert in ihren eigenen Systemen benötigen. Es liest gedruckten Text und Handschrift mit integrierter OCR, extrahiert die von Ihnen in einfacher Sprache definierten Felder und sendet die Daten an Excel, Google Sheets, ERPs und andere Geschäftssysteme über Integrationen, Webhooks oder die eigene API. Es ist seit 2016 produktiv im Einsatz, hat mehr als 100 Millionen Dokumente verarbeitet, wird in der EU gehostet und ist SOC 2 Type II konform.

In diesem Test las es jeden handgeschriebenen Namen, jede E-Mail und jede Adresse fehlerfrei, ignorierte Prüfernotizen und gab in PDFs mit mehreren Formularen einen Datensatz pro Formular aus. Im ersten Durchgang hatte Parseur bei schwer lesbarem Text einige vorübergehende Fehl-Extraktionen. Wir haben das Feld-Setup verfeinert, die betroffenen Dokumente mehrmals neu verarbeitet und das Ergebnis behalten, das am konsistentesten extrahiert wurde. Seine einzige Schwäche war die handgeschriebene Pacht-Tabelle, die als eine Liste anstatt nach Pachtvertrag getrennt ausgegeben wurde.

ChatGPT (GPT-6 Instant): 188/209. Nahezu perfekt bei getippten Formularen und das einzige Tool mit exakter handgeschriebener Tabelle. Es las handgeschriebene Großbuchstaben und E-Mails falsch (8 Fehler bei 449_155), erfasste das Datum eines Prüfers fälschlich als Unterschrift und fügte eine Brunnen-Nummer hinzu, die nicht auf dem Formular steht. Die Ausgabe erfolgt als JSON in einem Chat, sodass die Übertragung in ein anderes System ein manueller Schritt ist.

Gemini 3: 180/209. Sauber bei getippten Formularen, und neben Parseur und Docparser eines von drei Tools, das eine Prüfernotiz in keinem Fall als Unterschriftsdatum interpretierte. Es machte nach Nanonets die meisten Fehler bei der Handschrift (16 bei 449_155 und 223_41) und erfand in der handgeschriebenen Tabelle einen zusätzlichen Pachtvertrag.

Extend: 175/209. Die stärkste Handschriften-OCR nach Parseur, mit nur 1 Fehler bei den beiden am stärksten handgeschriebenen Formularen, plus einem Konfidenz-Score und einem Quellenverweis für jedes Feld. In seiner Standardeinstellung behielt es jedoch nur den ersten Pachtvertrag eines Multi-Formular-PDFs, interpretierte bei zwei Formularen Prüfernotizen als Unterschriftsdaten und ließ das nur aus Monat und Jahr bestehende Gültigkeitsdatum "2/2014" leer.

Nanonets: 151/209. Korrekt bei sauberen, getippten Formularen. Bei handgeschriebenen Formularen setzte es oft korrekte Werte ins falsche Feld, lieferte gedruckte Formularbeschriftungen als extrahierte Daten und las Namen falsch. Mit dem von uns verwendeten feldbasierten Setup extrahierte es keine Tabelle.

Docparser: 136/209. Fand getippte Werte auf sauberen Formularen wie 443_152. Es verfehlte jedoch viele Felder bei 433_147 (16 Fehler), mischte Formularanweisungen in Werte, fügte Telefonnummern fälschlicherweise eine Ländervorwahl +63 hinzu und ordnete Daten um.

Wie wir getestet haben

Wir haben im Oktober 2026 sechs Tools an denselben sieben gescannten Formularen getestet, für jedes Tool 209 Felder gegen einen Lösungsschlüssel bewertet und die Fehler aller Tools transparent veröffentlicht, einschließlich der von Parseur.

1. Dokumente ausgewählt. Wir haben sieben teilweise handgeschriebene Einreichungen aus dem öffentlichen ExtractBench-Datensatz genommen, um getippten Text, handgedruckte Großbuchstaben, Kursivschrift, durchgestrichene Werte, Prüfernotizen, einen verschwommenen Scan und ein PDF mit mehreren Formularen abzudecken.
2. Felder festgelegt. Wir definierten 22 Felder für jedes P-4-Formular und 11 Kopf-Felder für das P-6-Formular – dieselbe Liste für jedes Tool.
3. Lösungsschlüssel erstellt. Dieser wurde vor der Bewertung anhand der Originalscans erstellt; dabei haben wir jeden schwer lesbaren handgeschriebenen Wert manuell doppelt überprüft.
4. Jedes Tool ausgeführt. Die Tools haben alle sieben Dokumente mit dem Setup in der Tabelle unten verarbeitet. Von jedem Ergebnis wurden Screenshots sowie Exporte gespeichert.
5. Jedes Feld bewertet. Wir haben jedes Feld anhand der unten stehenden Bewertungsregeln mit dem Lösungsschlüssel abgeglichen und jeden Fehler penibel mit dem Originalscan überprüft.

Testdokumente

Wir haben sieben echte, öffentliche Einreichungen von der Texas Railroad Commission (RRC), der texanischen Öl- und Gasbehörde, verwendet, die aus dem von LlamaIndex veröffentlichten ExtractBench-Datensatz stammen. Das P-4-Formular dokumentiert einen Betreiberwechsel. Das P-6-Formular beantragt eine Pachtunterteilung. Sie kombinieren getippten Text, handgedruckte Großbuchstaben, Kursivschrift, Stempel und Prüfernotizen, so wie es bei vielen Geschäftsformularen in der Realität der Fall ist.

Jedes P-4-Formular wurde anhand von 22 Feldern bewertet: Feldname, Pachtname, Betreiber, Betreibernummer (P-5), Pacht- oder Gas-ID, County, RRC-Bezirk, Adresse, Brunnen-Nummern, Gültigkeitsdatum, Ölsammler und Übernahme-Prozentsatz, der vorherige Betreiber mit Name, Titel, Datum und Telefonnummer seines Unterzeichners, sowie Name, Titel, E-Mail, Datum und Telefonnummer des aktuellen Unterzeichners. Das P-6-Formular wurde anhand von 11 Kopf-Feldern bewertet.

Tool-Einrichtung

Bewertungsregeln

1. Als Referenzwert (Ground Truth) gilt der tatsächliche Text auf dem Formular, abgeglichen mit dem Originalscan.
2. Jedes unterschiedliche Formular wurde einmal bewertet. Saubere doppelte Seiten wurden nicht gewertet, sodass mehrseitige PDFs nicht doppelt zählen.
3. Ein falscher, fehlender oder erfundener Wert galt als Fehler, ebenso wie eine gedruckte Formularbeschriftung oder Prüfernotiz, die als extrahierte Daten zurückgegeben wurde.
4. Ein leeres Feld, wenn das Formular leer ist, war korrekt. Formatierungsunterschiede (Datumsformat, Großbuchstaben, Abstände) galten nicht als Fehler.
5. "OK to process"-Notizen sind Genehmigungen des Prüfers, keine Unterschriften. Wenn dies das Einzige auf der Unterschriftszeile ist, bleiben der eigentliche Unterzeichner, Titel und das Datum leer.
6. Wenn die Handschrift zwei Lesarten zulässt, wurden beide für jedes Tool akzeptiert: Duke oder Duice, Posey oder Posey Lease und 12/18/09 oder 12/13/09 bei einem verschwommenen getippten Datum.
7. Ein Formular, das von einem Tool nicht extrahiert werden konnte, zählte als Fehler für jedes darin enthaltene auszufüllende Feld.

Einschränkungen

Dies ist ein kleiner Praxistest, kein statistischer Benchmark im großen Stil, und Parseur, eines der getesteten Tools, hat ihn durchgeführt.

• Stichprobengröße: sieben Dokumente, 209 Felder pro Tool. Eine Lücke von einigen Feldern liegt im Rahmen dessen, was ein weiteres Dokument verändern könnte.
• Durchläufe: Wir haben das Feld-Setup von Parseur einmal verfeinert, Dokumente mit Fehlern im ersten Durchgang mehrmals neu verarbeitet und das beständigste Ergebnis behalten.
• Setup: Extend wurde mit deaktiviertem Multifile und Nanonets ohne Tabellenfelder getestet. Beide schneiden bei PDFs mit mehreren Formularen und Tabellen mit einem darauf abgestimmten Setup möglicherweise besser ab.
• Chatbots: ChatGPT und Gemini verarbeiteten alle Dokumente in einer einzigen Konversation, sodass frühere Dokumente als Kontext für spätere dienten.
• Bewertung: Wir bewerteten die Ergebnisse anhand von Screenshots und Exporten der Ausgaben jedes Tools und überprüften sie mit den Originalscans.

So testen Sie Handschriften-OCR an Ihren eigenen Dokumenten

Die Fehler in diesem Test fielen erst auf, als wir jedes extrahierte Feld mit dem Originalscan abglichen. Bevor Sie sich für ein Tool entscheiden, lassen Sie Ihre eigenen Dokumente durchlaufen und prüfen Sie Folgendes:

1. Nehmen Sie Ihre schwierigsten Dokumente, nicht Ihre saubersten: Faxe, Fotokopien und hastig von Hand ausgefüllte Formulare.
2. Kontrollieren Sie Namen, E-Mails und Referenznummern Buchstabe für Buchstabe. Fehllesungen verstecken sich hier, denn ein falscher Name sieht für sich betrachtet immer noch aus wie ein Name.
3. Stellen Sie sicher, dass jeder Wert im richtigen Feld landet, nicht nur irgendwo in der Ausgabe.
4. Prüfen Sie, ob Notizen, Stempel und gedruckte Etiketten nicht versehentlich als Daten zurückkommen.
5. Achten Sie darauf, dass ein PDF mit mehreren Formularen auch wirklich einen Datensatz pro Formular zurückgibt.
6. Testen Sie, ob handgeschriebene Tabellen Zeile für Zeile in der Struktur extrahiert werden, die Ihr System erwartet.

Wie Parseur Scans und Handschrift liest, erfahren Sie auf unserer OCR-Software-Seite. Einen Test an gedruckten Rechnungen in vier Sprachen finden Sie in unserem mehrsprachigen Rechnungsextraktions-Benchmark. Um Dokumentenverarbeitungsplattformen umfassender zu vergleichen, lesen Sie unseren Leitfaden zur besten intelligenten Dokumentenverarbeitungs-Software.

Testen Sie es mit Ihren eigenen handgeschriebenen Dokumenten

Sieben Formulare zeigen, wo Tools an ihre Grenzen stoßen, aber Ihre eigenen Dokumente sind der eigentliche Test. Lassen Sie Ihre handgeschriebenen Formulare, Lieferscheine oder Anträge von Parseur verarbeiten und überprüfen Sie jedes Feld mit dem Original.

Zuletzt aktualisiert am 11. November 2026