Layoutanalyse
Layoutanalyse (Layout Analysis) ist der Teil des Document Parsing, der die Bereiche einer Seite findet, etwa Titel, Absätze, Tabellen, Abbildungen, Bildunterschriften und Fußzeilen, jeden davon benennt und die Reihenfolge ermittelt, in der ein Mensch sie lesen würde.
Auch: reading order, layout detection
Von Divya Sharma · Geprüft am 15. Nov. 2026 · So testen wir
Text, der direkt aus einem PDF gezogen wird, kommt oft in falscher Reihenfolge heraus. Zwei Spalten werden Zeile für Zeile verschränkt, Fußnoten landen mitten im Satz, und Kopfzeilen wiederholen sich auf jeder Seite. Die Layoutanalyse behebt das, bevor der Text beim Chunking oder bei einem Modell ankommt, weshalb sie für jede Pipeline zum Document Parsing wichtig ist.
So funktioniert es
Die meisten Systeme behandeln sie als Objekterkennung auf dem Seitenbild. Ein Modell zeichnet Begrenzungsrahmen um Bereiche und weist jedem eine Klasse zu. Der Datensatz DocLayNet etwa versieht jeden Bereich mit einer von 11 Klassen wie Bildunterschrift, Fußnote, Formel, Listenpunkt, Tabelle, Titel und Text. Ein zweiter Schritt sortiert die Rahmen in Lesereihenfolge und berücksichtigt dabei Spalten, Seitenleisten und Abbildungen. Die erkannten Bereiche gehen dann an das passende Tool: Textblöcke bei Bedarf an OCR, Tabellen an die Tabellenextraktion, Abbildungen an ein Bildmodell.
Beispiel
Bei einem zweispaltigen Forschungspaper findet die Layoutanalyse den Titel, das Abstract, die beiden Textspalten, eine Abbildung mit Bildunterschrift und ein Literaturverzeichnis. Die Lesereihenfolge setzt die linke Spalte vor die rechte, hält die Bildunterschrift bei ihrer Abbildung und lässt die laufende Kopfzeile weg. Open-Source-Parser wie Docling enthalten diesen Schritt.
Grenzen
Ungewöhnliche Designs wie Magazine, Formulare, Poster oder Folien liegen außerhalb dessen, worauf die meisten Modelle trainiert wurden, und die Lesereihenfolge auf komplexen Seiten ist weiterhin fehleranfällig. Ein Vision-Language-Modell kann das Layout implizit bewältigen, gibt aber weniger Kontrolle über das Ergebnis.
Verwandte Begriffe
- Document Parsing
- Document Parsing (Dokumentenanalyse) wandelt Dateien wie PDFs, Scans, Folien und Tabellen in strukturierten Text um, den Software nutzen kann, und erhält dabei Überschriften, Lesereihenfolge, Tabellen und Bilder statt eines flachen Zeichenstroms.
- Optische Zeichenerkennung
- Optische Zeichenerkennung (OCR) ist Software, die Text aus Bildern wie gescannten Seiten, Fotos oder Screenshots liest und in maschinenlesbare Zeichen verwandelt, die sich durchsuchen, kopieren oder an ein Modell übergeben lassen.
- Tabellenextraktion
- Tabellenextraktion ist die Aufgabe, Tabellen in Dokumenten zu finden und ihre Zeilen, Spalten, Kopfzeilen und Zellen als strukturierte Daten wie HTML, Markdown oder CSV nachzubauen, statt als lose Textzeilen.
- Vision-Language-Modell
- Ein Vision-Language-Modell (VLM, Bild-Sprach-Modell) ist ein Modell, das Bilder und Text als Eingabe nimmt und Text erzeugt. Es kann also Bilder beschreiben, Fragen zu ihnen beantworten, Dokumente lesen und Daten aus Screenshots extrahieren.
- Chunking
- Chunking (Aufteilung in Abschnitte) ist der Schritt, der lange Dokumente in kleinere Passagen zerlegt, bevor sie eingebettet und indexiert werden, damit ein Retrieval-System nur die Teile eines Dokuments finden und zurückgeben kann, die eine Anfrage beantworten.