Estrarre il testo da un PDF può voler dire due lavori molto diversi, a seconda di come è stato creato il PDF. Image to Text App li gestisce entrambi e decide pagina per pagina, quindi non devi saperlo in anticipo.
PDF digitali e PDF scansionati
Un PDF digitale è stato creato da un software: esportato da Word, salvato da una pagina web o generato da un sistema di fatturazione. Le sue pagine contengono testo vero, e di solito puoi selezionare le parole in un lettore PDF. Quando Image to Text App trova una pagina così, prende il testo direttamente, senza OCR. Niente errori di riconoscimento, e in più è veloce.
Un PDF scansionato è una serie di immagini di pagine di carta, prodotte da uno scanner d’ufficio, da un’app di scansione sul telefono o da un fax trasformato in file. Dentro non c’è testo, solo immagini che sembrano testo. Image to Text App legge queste pagine con l’OCR, una dopo l’altra, e l’avanzamento mostra a che punto è arrivato.
Molti PDF sono un misto dei due: un contratto con l’ultima pagina firmata e scansionata, o un report con qualche allegato scansionato. Poiché ogni pagina viene controllata separatamente, le pagine digitali arrivano esatte e solo quelle scansionate vengono lette con l’OCR.
Un’avvertenza: alcuni PDF digitali hanno un livello di testo danneggiato. Puoi selezionare il testo, ma quando lo copi ottieni caratteri senza senso o lettere mancanti, di solito per il modo in cui sono stati incorporati i font. Visto che quel testo viene preso così com’è, il risultato avrà lo stesso problema. La soluzione è fare uno screenshot della pagina e incollarlo qui, così viene letto come immagine.
Ottenere un buon testo dalle pagine scansionate
La qualità della scansione determina gran parte del risultato. Se scansioni tu i fogli:
- Scansiona a una risoluzione pensata per i documenti. 300 dpi è una scelta comune per il testo, e impostazioni molto più basse rendono difficile leggere i caratteri piccoli.
- Scegli scala di grigi o bianco e nero per i documenti di solo testo. Il colore aumenta le dimensioni del file senza aiutare il riconoscimento.
- Appoggia le pagine piatte e dritte. Il Miglioramento automatico corregge una leggera inclinazione, e puoi ruotare una pagina finita al contrario.
Le vecchie fotocopie e i fax hanno spesso puntini e tratti sbiaditi. Riduci rumore aiuta con i puntini, e aumentare il contrasto aiuta con il testo debole. Ogni pagina può essere regolata e riletta da sola, senza toccare le altre.
Lavorare con documenti lunghi
Ogni pagina del PDF compare come pagina a sé nello spazio di lavoro. Puoi riordinare le pagine, rileggerne una, rimuoverla, oppure copiarla e scaricarla da sola.
La vista Documento intero mette insieme tutte le pagine in ordine, con la ricerca in tutte. Fai clic su una riga di testo e il punto corrispondente si illumina sull’immagine della pagina: è il modo più rapido per verificare una cifra o un nome.
La modalità Documento unisce le righe in paragrafi e mantiene titoli ed elenchi. Ci sono anche opzioni per unire le righe spezzate e per riunire le parole divise da un trattino a fine riga, di cui libri e report scansionati sono pieni. Intestazioni, piè di pagina e numeri di pagina compariranno su ogni pagina; con Trova e sostituisci li elimini in fretta.
Scegliere il formato di uscita
- Word (.docx) è il formato predefinito qui, pronto da modificare. Vedi immagine in Word per saperne di più sui documenti modificabili.
- PDF ricercabile mantiene la scansione esattamente com’era e aggiunge un livello di testo invisibile e selezionabile. È la scelta giusta per archiviare: il file ha ancora l’aspetto dell’originale, ma puoi cercarci dentro con Ctrl+F in qualsiasi lettore PDF.
- TXT, Markdown, HTML e JSON sono disponibili anche loro, come unico file combinato o come ZIP di file separati.
Se il PDF contiene una tabella che ti serve in un foglio di calcolo, passa quella pagina alla modalità Tabella e vedi immagine in Excel.
Limiti da conoscere
Le scansioni stampate e chiare di solito vengono lette con grande precisione. Note scritte a mano a margine, moduli compilati e firme sono molto più difficili. Timbri e filigrane sopra il testo causano errori, e i layout a più colonne possono richiedere qualche ritocco dove le colonne si incontrano. Le equazioni stampate semplici si possono leggere in modalità Matematica, ma quelle complesse di solito vanno corrette a mano.
Per saperne di più sulla qualità della scansione e su cosa aspettarti, leggi come estrarre il testo da documenti scansionati.