Convertire un PDF scansionato in testo (OCR)
Un modulo digitalizzato, un contratto fotocopiato, una fotocopia d'archivio: un PDF proveniente da uno scanner o da una fotocopiatrice contiene per lo più solo immagini di pagine, senza alcun testo realmente presente nel file — impossibile cercarvi una parola, copiarne un estratto o farlo leggere da uno screen reader. Questo strumento converte questo tipo di PDF in testo semplice, in documento Word o in PDF ricercabile che conserva l'aspetto della scansione diventando però indicizzabile.
Prima, una verifica che evita un'elaborazione inutile
Prima di avviare qualsiasi cosa, lo strumento apre il PDF e verifica se contiene già testo estraibile: è il caso di un PDF esportato direttamente da un software d'ufficio o già trattato a monte da un altro strumento OCR. Se viene trovato del testo, viene estratto direttamente dal file, senza passare dal riconoscimento di immagine — più rapido e soprattutto più affidabile di un riconoscimento che reinterpreterebbe un'immagine del testo già presente tale e quale nel file. Un messaggio ti informa quando è stata presa questa scorciatoia. Solo se non viene trovato alcun testo — il caso di una vera scansione, immagine per immagine — entra in gioco il motore di riconoscimento ottico dei caratteri.
Pagina per pagina, con un avanzamento reale
Ogni pagina di un PDF scansionato viene prima rasterizzata ad alta risoluzione (300 punti per pollice, il riferimento per un riconoscimento affidabile), poi elaborata singolarmente: rilevamento di un'eventuale rotazione di 90, 180 o 270 gradi (frequente su un lotto di pagine digitalizzate in versi diversi), raddrizzamento fine dell'inclinazione, riduzione del rumore, binarizzazione e infine riconoscimento dei caratteri nella lingua o nelle lingue che hai scelto. La barra di avanzamento procede realmente pagina per pagina, non in modo arbitrario: su un documento di diverse decine di pagine sai in ogni momento a che punto è l'elaborazione.
Tre uscite, uno stesso contenuto
Il testo semplice riunisce il contenuto di tutte le pagine in ordine, pronto per essere copiato. Il documento Word aggiunge un'interruzione di pagina tra ogni pagina sorgente e un paragrafo per blocco di testo rilevato, per restare vicino alla struttura originale mantenendosi modificabile. Il PDF ricercabile riutilizza l'immagine di ogni pagina così come inviata — timbri, firme e intestazioni compresi — sovrapponendole uno strato di testo invisibile: il documento ha esattamente lo stesso aspetto di prima, ma diventa ricercabile e copiabile in qualsiasi lettore PDF moderno.
Sul limite di 20 pagine
Il limite di 20 pagine per elaborazione non è arbitrario: mantiene un tempo di elaborazione compatibile con un uso interattivo (qualche decina di secondi anziché diversi minuti), su server condivisi tra tutti i visitatori del sito. Per un documento più lungo, dividerlo in più PDF di meno di 20 pagine con lo strumento di divisione dei PDF e poi elaborare ciascuna parte resta la soluzione più semplice.