Come fare l'OCR di un PDF scansionato e ottenere testo modificabile

Un PDF scansionato è un insieme di fotografie racchiuse in un contenitore PDF. Dentro non c'è testo, solo pixel: non puoi selezionare una frase, cercare un nome o copiare un paragrafo. L'OCR risolve il problema: osserva le forme di ogni pagina e ricostruisce le lettere.

La risposta breve

• Apri PDF scansionato in testo (OCR), carica il PDF e scegli la lingua del documento.
• Le pagine che hanno già un livello di testo vengono lette direttamente; solo quelle che sono immagini passano dall'OCR.
• Scarica il risultato come TXT e rileggilo prima di inviarlo.

Il riconoscimento viene eseguito nel tuo browser. Il PDF non viene caricato, cosa che conta quando il documento è un contratto, una relazione medica o una fattura.

Scansionato o digitale? Verifica prima

Non tutti i PDF hanno bisogno dell'OCR. Apri il file e prova a selezionare una parola con il mouse. Se il testo si evidenzia normalmente, il documento ha già un livello di testo e puoi estrarlo in modo esatto con PDF in TXT. È più veloce ed evita errori di riconoscimento.

Se non riesci a selezionare nulla, o la selezione è un rettangolo blu su tutta la pagina, quella pagina è un'immagine. È qui che serve l'OCR.

Esistono anche documenti misti: un contratto con condizioni digitali e firme scansionate, o una relazione con copertina testuale e allegati fotografati. Un buono strumento OCR dovrebbe trattare ogni pagina singolarmente invece di far passare tutto il file dal riconoscimento.

Passo per passo

• Carica il PDF. Trascinalo in PDF scansionato in testo (OCR) o fai clic per cercarlo. Il file viene aperto in locale.
• Scegli la lingua. Seleziona la lingua del testo contenuto nel documento, non quella del browser. L'inglese viene aggiunto automaticamente per far funzionare le pagine miste.
• Avvia la conversione. Le pagine digitali compaiono quasi subito. Quelle scansionate richiedono qualche secondo ciascuna e al primo avvio vengono scaricati anche i dati della lingua.
• Controlla il testo. Leggilo accanto all'originale, partendo da nomi, numeri e date.
• Scarica il TXT. Usalo nel tuo editor, nelle note o in qualsiasi strumento che accetti testo semplice.

Come migliorare la precisione

L'OCR indovina, e la qualità dell'indovinare dipende dalla qualità dell'immagine.

• Risoluzione. Circa 300 dpi è il valore ideale per una pagina scansionata. Una foto scattata da vicino funziona spesso meglio di uno screenshot piccolo.
• Contrasto. Testo scuro e pulito su sfondo chiaro è l'ideale. Ombre, flash e carta colorata confondono il motore.
• Pagine dritte. Le scansioni inclinate spezzano le righe e uniscono le parole. Raddrizza la pagina prima di scansionare, quando puoi.
• Lingua. Il modello linguistico sbagliato è la causa più comune di accenti rotti e parole inventate. Se un documento mescola due lingue, elabora separatamente le pagine della lingua minoritaria.
• Ritaglia. Rimuovi bordi, mani, punti metallici e loghi, così il motore non prova a leggerli.

Cosa sbaglia ancora l'OCR

• La scrittura a mano. Il testo stampato è l'obiettivo. Le maiuscole da stampatello a volte funzionano; il corsivo quasi mai.
• Tabelle e colonne. Il motore legge testo, non impaginazione. Le celle possono perdere l'allineamento e le colonne unirsi: metti in conto di rifare le tabelle a mano.
• Numeri e codici. Lo 0 e la lettera O, oppure 1, l e I, sono confusioni classiche. Controlla numeri di fattura, IBAN e indirizzi email carattere per carattere.
• Caratteri piccoli e font decorativi. Note a piè di pagina minuscole, corsivi sottili e loghi producono molti errori.
• Punteggiatura. Virgolette, trattini e simboli di valuta sono piccoli e facili da perdere.

Un correttore ortografico non rileva una cifra sbagliata. Per questo la revisione non è facoltativa per nulla di finanziario o legale.

Privacy e limiti

La conversione è locale: il PDF viene letto, renderizzato e riconosciuto sul tuo dispositivo e il testo non lo lascia mai. È il motivo principale per preferire uno strumento del browser a un servizio che chiede di caricare il file.

Due limiti pratici vale la pena conoscerli. Le scansioni molto grandi consumano più memoria e il tempo di riconoscimento cresce con il numero di pagine. Se un documento ha centinaia di pagine, dividilo in parti ed elaborale una alla volta.

Quando l'OCR non è la risposta

• Il PDF contiene già testo. Usa PDF in TXT per un'estrazione esatta.
• Ti serve l'impaginazione originale. L'OCR restituisce testo, non design. Per una copia fedele conserva il PDF originale o convertilo in Word con PDF in DOCX.
• Ti serve un PDF ricercabile. Il testo riconosciuto può essere incollato in un nuovo documento, ma questo strumento restituisce TXT; non aggiunge un livello di testo invisibile al file originale.
• La pagina è una foto, non un PDF. Usa Immagine in testo (OCR).

Lista rapida

• Seleziona una parola nel PDF per confermare che è davvero scansionato.
• Scegli la lingua del documento.
• Confronta nomi, importi, date e numeri di riferimento con l'originale.
• Conserva il PDF originale finché non hai verificato il testo.
• Salva il TXT dove potrai cercarlo in seguito.

Fatto bene, l'OCR trasforma una scansione illeggibile in testo su cui puoi lavorare, senza inviare un documento riservato al server di uno sconosciuto.