Convertire PDF scansionato in testo

Q: Perché il testo di una pagina a due colonne esce mescolato?

Le colonne restano separate quando **Disposizione del testo** è su Mantieni disposizione, l'impostazione predefinita qui. Se le righe delle due colonne risultano comunque alternate, lo spazio tra di esse nella scansione è stretto; una scansione più pulita e con pagine dritte di solito risolve il problema.

Se in un PDF non si riesce a evidenziare nemmeno una parola, si tratta di una scansione: una serie di foto delle pagine senza testo al loro interno. Caricandolo qui, l'OCR legge ogni pagina e la trasforma in testo semplice da copiare, cercare e modificare.

oppure trascina qui File PDF, JPG, JPEG … ·

Max 95 MB per file· Fino a 20 file· Eliminati dopo 30 minuti

Output

Lingua del documento

Formato di uscita

Tipo di testo

I file vengono elaborati sui nostri server ed eliminati dopo 30 minuti.

Come usare questo strumento

1
Caricare il PDF scansionato
Aggiungere il PDF, o fino a 20 file, ciascuno fino a 95 MB. Funzionano anche le scansioni TIFF multipagina e le immagini a pagina singola.
2
Impostare lingua e pagine
Lingua del documento è inglese e Formato di uscita è Testo semplice (.txt). Per altri documenti si cambia la lingua; in Impostazioni avanzate l'opzione Pagine permette di leggere solo un intervallo di un file lungo.
3
Riconoscere il testo
Premere Riconosci testo. Le pagine vengono prima raddrizzate e rimesse in verticale, poi lette in ordine in un unico file di testo.

PDF scansionato e PDF ricercabile: perché manca il testo

PDF composto solo da immaginiPDF scansionato · PDF non ricercabile · PDF piatto: Un PDF le cui pagine sono salvate come immagini, di solito prodotto da uno scanner, dalla funzione scansione-su-email di una fotocopiatrice o da un'app di scansione per telefono. Sembra un documento, ma all'interno non ci sono codici di carattere, quindi nulla può essere selezionato, cercato o letto ad alta voce.

Un normale PDF esportato da Word o da un browser contiene oggetti di testo: ogni parola è memorizzata come caratteri con un font e una posizione, perciò ricerca e copia funzionano. Uno scanner salta tutto questo e salva un'immagine per pagina. Per un computer, la pagina con il contratto è lo stesso tipo di dato della foto di un gatto.

L'OCR ricostruisce il livello mancante. L'immagine della pagina viene ripulita, si individuano righe e parole e la forma di ogni carattere viene confrontata con l'alfabeto della Lingua del documento selezionata. Questa pagina restituisce il risultato come testo semplice. L'altro risultato comune è il PDF ricercabile: la scansione resta visibile e le parole riconosciute vengono aggiunte dietro come testo invisibile, una modalità di rendering che lo standard PDF, ISO 32000, ha sempre consentito.

Adobe Acrobat Reader gratuito può mostrare una scansione ma non esegue l'OCR; il riconoscimento fa parte delle versioni a pagamento di Acrobat. Un convertitore è la scorciatoia quando servono le parole una volta sola e non si vuole un altro abbonamento. Se le scansioni vengono comunque scadenti, la nostra guida su come scansionare documenti in PDF tratta le impostazioni di scanner e telefono.

Risoluzione di scansione per estrarre testo da un PDF scansionato

Size	Pixels	cm	in	DPI	Fits
Letter	1700 × 2200	21,59 × 27,94	8,5 × 11	200	Solo stampa grande e pulita; il testo piccolo viene tirato a indovinare
Letter	2550 × 3300	21,59 × 27,94	8,5 × 11	300	Standard per l'OCR di pagine stampate
A4	2480 × 3508	21 × 29,7	8,27 × 11,69	300	Stesso dettaglio su carta A4
A4	3307 × 4677	21 × 29,7	8,27 × 11,69	400	Note a piè di pagina, caratteri piccoli, vecchie pagine battute a macchina

Quando la conversione da PDF scansionato a testo non riesce

Le parole risultano senza senso in un'intera pagina
La pagina è probabilmente in un'altra lingua o in un altro alfabeto. Impostare Lingua del documento di conseguenza e aggiungere Riconosci anche per una seconda lingua sulla stessa pagina.
Le righe si interrompono a metà frase e le parole finiscono con il trattino
Il testo segue gli a capo della stampa. Scegliere Testo continuo in Disposizione del testo per ottenere un unico blocco di testo; i trattini rimasti richiedono una rapida ricerca e sostituzione.
Alcune pagine mancano nel file di testo
Verificare che Pagine sia su Tutte le pagine in Impostazioni avanzate. Un intervallo come 1-3 limita il riconoscimento di proposito.

PDF

Portable Document Format

Il PDF è stato creato da Adobe nel 1993 ed è diventato lo standard aperto ISO 32000 nel 2008. Fissa testo, font, immagini e impaginazione, così il documento appare uguale su ogni schermo e stampante. I PDF possono contenere moduli, firme, link, allegati e testo ricercabile, e la variante PDF/A è usata per l'archiviazione a lungo termine. L'impaginazione fissa rende i PDF difficili da modificare, e i PDF scansionati contengono solo immagini se non si applica l'OCR. Ogni browser e sistema operativo può aprirli.

Compressione: –
Trasparenza: Sì
Animazione: No
Introdotto: 1993 · Adobe

Convertitore PDF

TXT

Testo semplice

Un file TXT contiene solo caratteri semplici, senza formattazione, font, immagini o impaginazione. I file di testo moderni sono in genere codificati in UTF-8, che copre tutte le lingue, mentre quelli più vecchi possono usare altre codifiche e mostrare caratteri illeggibili. Il testo semplice è minuscolo, non diventa mai obsoleto e si apre su qualsiasi dispositivo, dagli smartphone ai server. Non può contenere grassetto, tabelle o immagini, quindi la struttura va espressa con la spaziatura o con un semplice markup.

Compressione: –
Trasparenza: –
Animazione: –
Introdotto: –

Convertitore TXT

Un PDF scansionato contiene immagini delle pagine, quindi le sue parole non si possono copiare, cercare o indicizzare; riconoscerle in un file TXT trasforma la scansione in testo utilizzabile in un editor, in un traduttore o in una casella di ricerca.

Domande sulla conversione da PDF scansionato a testo

Come capire se un PDF è scansionato o contiene già testo?

Provare a selezionare una frase o a cercare una parola con Ctrl+F o Command+F. Se il cursore seleziona l'intera pagina come fosse un'immagine e la ricerca non trova nulla, è una scansione composta solo da immagini e serve l'OCR. Se invece le parole si evidenziano normalmente, il testo è già presente e PDF in TXT lo estrae in modo esatto, senza alcun riconoscimento.

Meglio il testo semplice o un PDF ricercabile?

Il testo semplice serve a riutilizzare le parole: citarle, tradurle, incollarle in un database o in un'email. Un PDF ricercabile mantiene l'aspetto della scansione e nasconde il testo dietro l'immagine, ed è adatto ad archivi e contratti. Per ottenere il secondo, OCR PDF è già impostato allo scopo.

Quale risoluzione di scansione dà il testo migliore da un PDF?

300 DPI per le normali pagine stampate. La documentazione di Tesseract indica che la precisione cala per testi sotto circa 10 pt a 300 DPI, quindi note a piè di pagina e caratteri piccoli traggono vantaggio da 400 DPI. Salire a 600 DPI raramente aiuta l'OCR e rende il PDF diverse volte più pesante.

Si può estrarre il testo da un PDF scansionato di un dattiloscritto o di un libro antico?

Di solito sì. I caratteri delle macchine da scrivere e dei libri sono normali lettere stampate, e Raddrizza le pagine corregge l'inclinazione tipica della scansione di un libro rilegato. Le pagine molto sbiadite si leggono meglio con Migliora il contrasto attivo.

Perché il testo di una pagina a due colonne esce mescolato?

Le colonne restano separate quando Disposizione del testo è su Mantieni disposizione, l'impostazione predefinita qui. Se le righe delle due colonne risultano comunque alternate, lo spazio tra di esse nella scansione è stretto; una scansione più pulita e con pagine dritte di solito risolve il problema.