OCR PDF e riconoscimento — da scansione a PDF ricercabile, estrazione di testo e tabelle
OCR PDF e riconoscimento
OCR dei PDF online gratis — converta i PDF scansionati in PDF ricercabili, estragga il testo via OCR, crei PDF ricercabili a partire da immagini. Tutto viene eseguito nel suo browser. Anche: Editor PDF | Sicurezza | Comprimi | Utilità.
Nota sulle prestazioni: l'OCR scarica circa 12 MB di dati linguistici al primo utilizzo. L'elaborazione è intensiva per la CPU e avviene interamente nel suo browser. Per documenti grandi (oltre 10 pagine), si attendano diversi minuti di elaborazione. I risultati dipendono dalla qualità della scansione e dalla lingua.
0%
0%
0%
0%
Scansione → PDF ricercabile: rende ogni pagina del PDF come immagine, esegue l'OCR per riconoscere il testo, poi crea un nuovo PDF con uno strato di testo invisibile sopra l'immagine della pagina. Il PDF risultante è ricercabile e selezionabile.
Immagine → PDF: prende una o più immagini, esegue l'OCR su ciascuna e crea un PDF con ogni immagine come pagina e il testo riconosciuto come sovrapposizione invisibile. Perfetto per le foto di documenti.
Testo OCR: accetta un file PDF o un'immagine. Per i PDF rende ogni pagina come immagine ed esegue l'OCR. Mostra il testo riconosciuto, che può copiare. Ideale per estrarre testo da documenti scansionati.
Estrazione tabelle: rende la pagina PDF come immagine, esegue l'OCR e tenta di individuare la struttura delle tabelle dalle posizioni del testo. I risultati sono approssimativi — le tabelle complesse potrebbero non essere ricostruite perfettamente. Per tabelle precise usi strumenti di estrazione dedicati.
Che cos'è l'OCR?
Un PDF scansionato è essenzialmente una fotografia di una pagina: per il computer è una griglia di pixel, e nulla di essa è testo. L'OCR (Optical Character Recognition) è la tecnologia che analizza quei pixel e determina quali caratteri rappresentano. Il risultato può essere testo semplice da copiare (modalità Testo OCR) oppure uno strato di testo invisibile posto sopra l'immagine della pagina (modalità Scansione→PDF ricercabile e Immagine→PDF), che rende il documento scansionato ricercabile in qualsiasi visualizzatore PDF.
La versione in una riga: l'OCR indovina il testo dalle forme dell'inchiostro. È riconoscimento, non lettura — l'output è una stima migliore con un punteggio di confidenza, non la verità di fondo che contiene un PDF nativo, creato digitalmente.
La pipeline OCR
Ogni motore OCR segue più o meno le stesse fasi. Per prima cosa la pagina viene resa come immagine (per i PDF, ogni pagina viene rasterizzata). Segue la binarizzazione: i pixel vengono classificati come inchiostro o carta, così il motore lavora con forme in bianco e nero. Le forme vengono poi segmentate in righe, parole e singoli caratteri. Infine ogni candidato viene classificato — i motori moderni usano reti neurali addestrate che analizzano intere righe di testo anziché singole lettere, ed è per questo che gestiscono input sfocati o leggermente inclinati molto meglio dei vecchi confronti carattere per carattere. Anche la lingua conta: il motore usa dizionari e insiemi di caratteri specifici per lingua, ed è per questo che scegliere la lingua giusta nel selettore qui sopra migliora la precisione.
Lo strato di testo invisibile
Un «PDF ricercabile» è composto da due elementi sovrapposti: l'immagine originale della pagina che vede, più uno strato di testo invisibile posizionato dietro di essa. Selezionare il testo nel visualizzatore seleziona davvero quello strato nascosto. Nulla della scansione visibile viene alterato — l'immagine resta intatta, quindi qualità e aspetto non cambiano mai. Il compromesso è che copia-incolla e risultati di ricerca sono precisi solo quanto l'OCR sottostante. Se una parola è stata riconosciuta male, cercare la grafia corretta non la troverà, perché lo strato nascosto contiene l'errore.
Perché i DPI decidono tutto
La precisione del riconoscimento dipende da quanti pixel ricevono i singoli caratteri. Le pagine PDF sono impostate in punti (72 per pollice), ma un carattere da 10 pt reso a bassa risoluzione si riduce a pochi pixel — a 150 DPI un carattere da 10 pt è alto solo circa 21 pixel, e a 300 DPI circa 42 pixel. Sotto circa 20 pixel le grazie si chiudono, le lettere si fondono e la precisione crolla. Ecco perché la linea guida storica per la scansione è 300 DPI per l'OCR: dà a ogni carattere piccolo abbastanza dettaglio senza sprecare dimensioni del file. Andare molto più in alto raramente aiuta il riconoscimento — per lo più rende la scansione più grande e l'OCR più lento.
Ciò che l'OCR non sa fare bene
Calligrafia, font decorativi e testo sopra sfondi complessi sono ancora punti deboli. Le tabelle sono un caso particolare: l'OCR vede caratteri e le loro posizioni, ma non comprende davvero righe e colonne — la modalità Estrazione tabelle deduce la struttura dall'allineamento, ed è per questo che le tabelle complesse risultano approssimative. Se un PDF contiene già testo reale (è stato esportato da Word, non scansionato), non serve affatto l'OCR: il testo si può estrarre direttamente, in modo più preciso, con gli strumenti di esportazione PDF.
Idee sbagliate comuni
«Un PDF ricercabile è come un PDF creato da Word.» No — lo strato di testo è semplicemente testo riconosciuto. Copiare un paragrafo può far perdere l'impaginazione, e ogni errore di riconoscimento è incorporato nello strato nascosto.
«L'OCR recupera il testo originale.» Ne ricostruisce una stima migliore. Una pagina accurata al 99% ha comunque circa un carattere sbagliato ogni 100 — va bene per la ricerca, rischioso per contenuti legali o numerici.
«Più DPI è sempre meglio.» Oltre circa 400–600 DPI il guadagno di precisione è trascurabile, mentre dimensioni del file e tempi di elaborazione continuano a salire. 300 DPI è il punto ideale per i documenti tipici.
«Le foto dal telefono funzionano bene quanto le scansioni.» Inclinazione, illuminazione irregolare e tremolio della fotocamera riducono tutti la precisione. Fotografi la pagina piatta, frontalmente e ben illuminata — oppure usi uno scanner vero per i documenti importanti.
