Come rendere ricercabile un PDF scansionato?
Un PDF scansionato è una pila di fotografie. Tu riesci a leggerlo, il computer no: la ricerca non trova niente e, se provi a selezionare il testo, prendi tutta la pagina come un’immagine. L’OCR risolve il problema riconoscendo le lettere su ogni pagina e salvandole come testo che il computer capisce.
Scegli il file, seleziona le lingue stampate nel documento e lascia PDF ricercabile come risultato. Lo strumento disegna ogni pagina ad alta risoluzione, riconosce il testo e poi posa un livello di testo invisibile esattamente sopra le parole della pagina originale. Il risultato si apre in qualsiasi lettore PDF. È identico alla tua scansione, ma ora funzionano la ricerca, la selezione e la copia, e anche la ricerca dei file sul computer lo trova in base al contenuto.
Le pagine che contengono già testo vero, per esempio una copertina digitata in un file per il resto scansionato, vengono lasciate così come sono, quindi non ti ritrovi mai le stesse parole due volte.
Consiglio: seleziona solo le lingue presenti davvero nel documento. Ogni lingua in più rende il riconoscimento un po’ più lento e dà al motore più occasioni per scegliere la parola sbagliata.
Come convertire un PDF scansionato in testo?
Scegli File di testo (.txt) come risultato. Ottieni un unico file di testo semplice con le parole di tutte le pagine, separate da una riga vuota tra una pagina e l’altra. È comodo quando devi citare una lettera scansionata, tradurre un documento o riportare le cifre di una vecchia relazione in un foglio di calcolo.
Se vuoi un documento modificabile con la sua impaginazione, il passo successivo è convertire il PDF ricercabile in Word. Per i file che non sono mai stati scansionati, come un PDF esportato da Word o scaricato da un portale dopo l’accesso con SPID, l’OCR non serve proprio: estrarre direttamente il testo è più veloce ed esatto.
Quanto è preciso l’OCR su scansioni e foto fatte col telefono?
Su una scansione pulita e dritta di un testo stampato, il riconoscimento di solito è molto buono. La precisione cala quando l’originale è difficile da leggere, quindi conviene sapere con cosa il motore fa fatica:
- Bassa risoluzione. Scansiona a 300 DPI. Il testo che appare sfocato quando ingrandisci verrà indovinato.
- Pagine storte o curve. Le foto della costa di un libro o uno scatto storto fatto col telefono confondono il rilevamento delle righe. Raddrizza prima la pagina.
- Scrittura a mano. Il motore è addestrato sui caratteri stampati. Lo stampatello ordinato a volte funziona, il corsivo quasi mai.
- Timbri, filigrane e sfondi colorati. Il testo sopra di essi è più difficile da separare dallo sfondo.
- Tabelle e più colonne. Le parole vengono trovate, ma nel file .txt l’ordine di lettura può saltare da una colonna all’altra.
Controlla sempre nomi, numeri, importi e codici fiscali nel risultato prima di farci affidamento.
È sicuro fare l’OCR di documenti riservati online?
Qui sì, perché il documento non viene mai caricato. La maggior parte dei servizi di OCR online invia il file a un server, esegue lì il riconoscimento e ne conserva una copia per un certo tempo. Questa pagina invece scarica nel browser il motore di riconoscimento e i dati della lingua, e tutto il lavoro avviene sul tuo telefono o computer.
Puoi verificarlo: apri gli strumenti per sviluppatori del browser sulla scheda Rete mentre esegui l’OCR. La prima volta vedrai arrivare i file del motore, ma il tuo PDF non viene mai inviato da nessuna parte. Conta per i documenti che di solito si scansionano: carta d’identità, tessera sanitaria, dichiarazione dei redditi, estratti conto, referti e contratti firmati.
Quali lingue posso riconoscere?
Sono disponibili diciassette lingue (trovi l’elenco nello strumento), e puoi selezionarne più di una per i documenti che le mescolano, come un contratto in italiano con clausole in inglese o una lettera in tedesco indirizzata a un’azienda di Bolzano. I modelli sono le versioni accurate “best” dei dati linguistici di Tesseract, in un formato intero più compatto, quindi si scaricano in fretta e restano precisi.