Come riconoscere il testo in un PDF scansionato con l'OCR
In breve: L'OCR non cambia l'aspetto della pagina: sopra l'immagine va un livello di testo invisibile, e ricerca e copia iniziano a funzionare. Le pagine che hanno già testo vengono saltate. La modalità di qualità è in realtà una risoluzione di resa: veloce dà 100 DPI, accurata 300.
Percorso
guida passo passo
guida passo passo: PDF guidance for reliable document processing and quality checks.
Strumento principale
PDF OCR online
Apri lo strumento collegato a questo articolo e completa l’attività nella lingua selezionata.
Apri lo strumentoIndice
- Cosa viene aggiunto al file
- Le pagine che contengono già testo vengono saltate
- Le tre modalità di qualità sono tre risoluzioni
- Lingua: automatica significa due lingue insieme
- Come avviare il riconoscimento
- Correzione dell'inclinazione e il suo costo
- Cosa il riconoscimento non fa
- Dove si colloca il riconoscimento in una catena di operazioni
Riconoscimento del testo in un PDF: cosa succede a una scansione
Un documento scansionato sembra un documento e si legge come un documento, ma per qualsiasi programma è un'immagine. Non puoi cercarci dentro, non puoi copiare il numero di un contratto e un modulo che controlla la presenza di testo lo rifiuta come file vuoto.
Il riconoscimento risolve proprio questo, e lo fa in un modo che vale la pena capire: non riscrive nulla.
Cosa viene aggiunto al file
L'immagine della pagina resta intatta. Sopra di essa si aggiunge un secondo livello: testo posizionato dove nell'immagine si trovano le lettere corrispondenti, e reso invisibile.
Ogni caratteristica del risultato deriva da qui. A vista il file è identico all'originale: stessa carta, stessi timbri, stessa inclinazione, se c'era. Intanto la ricerca trova le parole, un doppio clic seleziona una riga e la copia produce testo vero.
Lo stesso fatto spiega perché il riconoscimento è sicuro per i documenti il cui aspetto conta. Un contratto scansionato con una firma, dopo l'OCR, è la stessa scansione con la stessa firma; è solo diventato ricercabile.
Le pagine che contengono già testo vengono saltate
Prima dell'elaborazione si controlla se ogni pagina ha un livello di testo, e le pagine che ce l'hanno non vengono riconosciute affatto.
Ne derivano due conseguenze pratiche.
I documenti misti vengono gestiti correttamente senza alcuno sforzo. Se una parte del file è stata scritta in un editor e un'altra è stata incollata come scansione, solo la seconda viene riconosciuta. Il testo digitato resta quello originale e non viene sostituito da una copia riconosciuta, e questo conta: il testo originale è esatto, quello riconosciuto contiene errori.
Avviare l'OCR su un normale PDF di testo non fa quasi nulla e non danneggia nulla. Comodo quando non sai se il documento che hai davanti è una scansione: basta passarlo nello strumento.
La stessa logica regola anche i tempi di lavoro. Dipendono non dal numero di pagine del documento, ma dal numero di pagine senza testo. Una relazione di duecento pagine con cinque scansioni incollate si elabora nel tempo di cinque pagine.
Le tre modalità di qualità sono tre risoluzioni
La scelta della qualità controlla una sola cosa: la risoluzione a cui la pagina viene resa prima del riconoscimento.
| Modalità | Risoluzione | Quando sceglierla |
|---|---|---|
| Veloce | 100 DPI | Caratteri grandi e nitidi, un controllo sommario |
| Bilanciata | 150 DPI | Documenti comuni, contratti, certificati |
| Accurata | 300 DPI | Caratteri piccoli, note a piè di pagina, copie scadenti |
L'impostazione predefinita è la modalità bilanciata, ed è bene ricordarlo. Centocinquanta punti per pollice bastano per titoli e testo corrente, ma le note piccole, i numeri nelle tabelle e i timbri vengono comunque peggio che nella modalità accurata.
La regola è semplice: se nel documento c'è qualcosa che anche tu leggi a fatica, scegli la modalità accurata. È più lenta, ma ti evita di rifare il lavoro due volte.
Lingua: automatica significa due lingue insieme
Sono disponibili inglese e russo, più la modalità automatica.
La modalità automatica non indovina la lingua. Riconosce il documento in entrambe le lingue insieme, il che va bene per testi in cui una lingua è punteggiata da nomi, codici e termini dell'altra. Il prezzo è la velocità e una piccola perdita di precisione sui testi uniformi.
Se il documento è interamente in una sola lingua, scegliere quella lingua dà un risultato un po' migliore e più rapido.
Quando la lingua scelta non è disponibile, il riconoscimento non si interrompe: procede con quella installata e aggiunge un avviso separato che indica sia la lingua richiesta sia quella applicata. Quell'avviso va letto, non ignorato: una lingua sostituita senza dirlo spiega un risultato strano meglio di qualsiasi congettura.
Una nota sui documenti in altre lingue. L'alfabeto latino viene riconosciuto dal pacchetto inglese, ma i segni diacritici si perdono o si deformano: i testi francesi e tedeschi escono leggibili, con errori negli accenti. I sistemi di scrittura diversi dal latino e dal cirillico non sono supportati affatto.
Come avviare il riconoscimento
1. Apri PDF OCR online e carica il documento. 2. Scegli la lingua. Automatica per testi misti, una lingua specifica per testi uniformi. 3. Imposta la modalità accurata se il documento ha caratteri piccoli. 4. Avvia l'operazione e scarica il risultato. 5. Apri il file e cerca una parola che sai essere nella scansione. È il controllo più rapido possibile.
Correzione dell'inclinazione e il suo costo
Un interruttore a parte raddrizza le pagine inclinate prima del riconoscimento. È disattivato per impostazione predefinita, e c'è un motivo.
Il raddrizzamento viene applicato a una copia temporanea della pagina, che è quella letta dal riconoscimento, e il livello di testo viene poi sovrapposto alla pagina originale, non corretta. Su una scansione molto inclinata questo provoca uno scostamento: il testo invisibile risulta ruotato rispetto alle lettere visibili.
La ricerca non ne risente, la parola si trova comunque. Ne risente la selezione con il mouse: il riquadro di selezione cade lontano dalle lettere e copiare un passaggio diventa scomodo.
Il compromesso è voluto, perché le pagine originali restano intatte. Se l'inclinazione è forte, conviene raddrizzare il documento prima del riconoscimento, con Ruota PDF online per le rotazioni ad angolo retto, oppure rifacendo la scansione con Scansiona in PDF online, che ha una vera correzione dell'inclinazione.
Cosa il riconoscimento non fa
Non migliora la sorgente. Una foto sfocata, il riflesso di una lampada su una riga, l'ombra di una mano su mezza pagina: tutto resta, e il riconoscimento su un punto simile dà testo senza senso oppure lo salta.
Non legge la scrittura a mano. Lo strumento è fatto per i caratteri stampati.
Non produce un testo con valore legale. Lo strato riconosciuto contiene errori e non può fare da copia del documento. Serve per la ricerca e per i sistemi che richiedono un livello di testo, non per le citazioni.
E non ripristina la risoluzione. Se la scansione originale è stata fatta a 75 punti per pollice, la modalità accurata la rende a 300, ma non compare nessuna lettera in più: un'immagine sfocata diventa solo più grande. La qualità del riconoscimento dipende dalla sorgente, non dall'impostazione.
Dove si colloca il riconoscimento in una catena di operazioni
L'ordine conta più di quanto sembri, e c'è una regola: il riconoscimento va prima della compressione.
Il riconoscimento lavora sull'immagine della pagina. La compressione con Comprimi PDF online degrada quell'immagine: abbassa la risoluzione e aggiunge artefatti attorno alle lettere. L'ordine inverso produce sensibilmente più errori nel testo, e dopo non resta nulla con cui correggerli.
Anche l'unione delle pagine e la rotazione vanno prima del riconoscimento: cambiano quali pagine esistono e come sono orientate, e il livello di testo è legato a una pagina precisa.
Se ti serve non un file con un livello di testo, ma il testo stesso in un file a parte, c'è PDF in testo online: estrae il contenuto in un file di testo semplice, suddiviso per pagina.
Autore
A cura del team di iHatePDF; responsabile del servizio: Sergey Gagin.
FAQ
Altro da questo percorso
guida passo passo
Come convertire PDF in Word modificabile
Il file è aperto in Word ma il cursore non entra nel testo? Perché l'impostazione predefinita ti fornisce un'immagine, in che cosa la modalità fluida differisce da quella esatta e dove sono finite le intestazioni ripetute.
guida passo passo
Come estrarre tabelle da un PDF a Excel
Da PDF a Excel: quali fogli trovi nella cartella di lavoro, come cambiano nella pratica le tre modalità di rilevamento e perché la modalità libera trova più tabelle ma spezza le parole.
guida passo passo
Come estrarre pagine da un PDF in un nuovo file
Estrarre da un PDF le pagine che servono: le due modalità di output, perché i file dell'archivio mantengono i numeri originali e cosa cambia senza la dimensione pagina.
Strumenti correlati
PDF OCR online
Aggiungi un livello di testo ricercabile e copiabile alle scansioni PDF. Scegli lingua e qualità OCR, poi controlla il testo riconosciuto.
PDF in testo online
Estrai in un file TXT il testo selezionabile del PDF. Puoi mantenere l'ordine di lettura del documento oppure estrarre il testo semplice; i marcatori e le interruzioni di pagina sono attivi per impostazione predefinita.
Comprimi PDF online
Riduci il peso di un PDF per inviarlo via email o caricarlo su un sito. Scegli un livello di compressione oppure indica la dimensione desiderata, quindi controlla il file prima di condividerlo.
Ruota PDF online
Ruota le pagine di un PDF verso destra o verso sinistra. Puoi applicare la stessa rotazione all'intero documento oppure correggere solo le pagine che ne hanno bisogno.
Cosa fare dopo
Tutti gli strumenti
Catalogo di strumenti PDF per unire, comprimere, dividere, convertire, ruotare, proteggere e sbloccare file online, senza installare software.
FAQ
Trova risposte su account iHatePDF, elaborazione dei file, limiti di caricamento, uso da mobile, privacy e cosa fare quando uno strumento PDF restituisce un errore.
Contatti
Contatta iHatePDF per errori di elaborazione, scelta dello strumento, sicurezza, richieste commerciali e proposte di nuove funzionalità.