I need an OCR machine that can extract all text from a PDF file. We often receive files in PDF format that are essentially just images without text, which is why our own “PDF reader” in n8n doesn’t always work. I need it to do that.
It’s about receiving large annual reports with lots of columns in PDF format, and we need data from some of those columns.
For example, like in the image, where we need to use these columns as JSON.
I am pretty new, so explain in it to me, like I’m a child 
Since it’s an image you need an OCR node as you said. n8n Does not have an official node but there is a community one: n8n-nodes-tesseractjs
After extracting the text from image you can use different methods to filter them. I always use a ‘Code’ node to do so but you can use an AI node too if you don’t mind spending extra tokens.
In my opinion Mistral AI’s OCR tool is the best out there right now. Ideally you would use their API in a HTTP Request node to do your ocr transformation. If the data is sensitive, you can get a special license from them to use a private on prem instance for better privacy
If you need an example then I can build a demo
If you just need to turn those image‑based PDFs into actual text/structured data (like JSON), try Mathpix: https://mathpix.com/pdf-conversion. It does OCR on scanned PDFs and can extract tables/columns cleanly, then you can grab the data as JSON for n8n. Way less painful than trying to hack it with a basic PDF reader.
Wir können die Vision-Modelle von OpenAI/Ollama nutzen, um das Bild zu analysieren, das extrahiert alles. Und dann können wir die benötigten Daten behalten.
Bei dichten Tabellen in PDF-Jahresberichten funktionieren Vision-Modelle (GPT-4o oder Gemini Flash) gut, aber der Schlüssel ist der Prompt. Übergib das Bild mit etwas wie: "Extrahiere alle Daten aus dieser Tabelle und gib ein JSON-Array zurück, in dem jede Zeile ein Objekt mit Spaltenkopfzeilen als Schlüsseln ist." – das liefert zuverlässig strukturierte Ausgaben ohne Nachbearbeitung. Bei mehrseitigen PDFs teile die Datei zunächst mit dem Extract Document Content Node oder einem Code Node in einzelne Seitenbilder auf, führe dann jede Seite durch das Vision-Modell und merge die Ergebnisse am Ende.
Die Mistral OCR API hat einen kostenlosen Tarif (über ihre API-Konsole unter console.mistral.ai). Für eine vollständig kostenlose und selbstgehostete Option funktioniert der Community-Node n8n-nodes-tesseractjs gut für bildbasierte PDFs – du kannst ihn mit einem Convert to File Node kombinieren, um die Binärdatei weiterzuleiten. Wenn du eine Cloud-API mit großzügigem kostenlosen Tarif möchtest, ist Google Document AI auch eine Option, aber die Einrichtung ist aufwändiger als Mistrals einfacher HTTP-Call-Ansatz.
