OCR PDF gratis: rendi cercabile un PDF scansionato

PDF scansionato in testo: perché non riesci a cercarci dentro

Quando passi un contratto, una bolletta o un capitolo di libro nello scanner, ottieni un PDF che sembra un documento ma in realtà è una fotografia per pagina. Dentro il file non ci sono lettere, ci sono pixel. Per questo Ctrl+F (o ⌘F sul Mac) non trova nulla, il cursore non seleziona le righe e, se provi a copiare, al massimo ti porti dietro un rettangolo d’immagine.

Lo capisci in due secondi: apri il PDF, prova a selezionare una parola con il mouse. Se si evidenzia tutta la pagina come un blocco unico, oppure non si evidenzia niente, hai davanti un PDF immagine. Succede con quasi tutto ciò che arriva da uno scanner multifunzione, da un’app di scansione del telefono o da un fax convertito.

L’OCR (riconoscimento ottico dei caratteri) legge quei pixel, individua le righe e le parole e scrive il testo riconosciuto in un livello invisibile posato esattamente sopra l’immagine. Ogni parola invisibile sta nella stessa posizione di quella stampata. Il risultato:

• il documento si vede identico a prima, timbri, firme e macchie comprese, perché l’immagine originale non viene toccata;
• la ricerca trova le parole e le evidenzia nel punto giusto della pagina;
• puoi selezionare e copiare il testo in una email o in un altro documento;
• i sistemi che indicizzano i file (la ricerca del sistema operativo, un archivio documentale) cominciano a trovarlo per contenuto, non solo per nome.

È questo che si intende con «PDF ricercabile»: non un documento riscritto, ma la stessa scansione con il testo nascosto sotto. Se invece ti serve modificare frasi e paragrafi, l’OCR è il primo passo e la conversione in un file di testo è il secondo, come vedi più avanti.

Come scansionare perché l’OCR riconosca il testo

Il riconoscimento del testo è bravo quanto la scansione che gli dai. La maggior parte degli errori che vedrai nasce prima dell’OCR, sul vetro dello scanner. Queste sono le regole che contano davvero:

• 300 ppp (dpi) per il testo normale. È la risoluzione giusta per caratteri da 10-12 punti, quelli di lettere, contratti e libri. A 150 ppp le lettere piccole si impastano e la «e» diventa «c», la «rn» diventa «m».
• Pagina dritta. Allinea il foglio al bordo del vetro. Una pagina storta di qualche grado fa saltare le righe da una all’altra e il testo riconosciuto esce spezzettato.
• Contrasto pulito. Testo nero su fondo chiaro e uniforme. Se lo scanner offre «testo» o «bianco e nero», per documenti senza foto va bene; per pagine ingiallite meglio la scala di grigi, che conserva i tratti sottili.
• Niente ombra del dorso. Con libri e quaderni, la piega centrale crea una fascia scura e incurva le righe vicino al margine. Premi bene il libro sul vetro oppure scansiona una pagina alla volta.
• Con il telefono: luce diffusa, niente flash diretto, telefono parallelo al foglio. L’ombra della tua mano sul foglio è il difetto più comune.

Ci sono anche cose che escono male comunque, ed è meglio saperlo prima:

• il testo molto piccolo, come note a piè di pagina, clausole in corpo 6 o 7, didascalie;
• le tabelle, soprattutto con celle strette e righe sottili: le parole vengono riconosciute, ma l’ordine di lettura tra le colonne può confondersi;
• la scrittura a mano, che un motore pensato per il testo stampato legge poco e male;
• timbri sovrapposti al testo, fotocopie di fotocopie, carta carbone.

Un consiglio diffuso che non funziona: scansionare tutto a 600 ppp «per sicurezza». Per un testo di corpo normale non migliora il riconoscimento in modo apprezzabile e ti ritrovi con un PDF enorme da archiviare e da spedire. Tieni i 600 ppp solo per le pagine con caratteri davvero minuscoli. Se il file è già nato pesante, dopo l’OCR puoi comprimere un PDF per alleggerirlo prima di mandarlo via email.

Se le pagine sono foto fatte con il telefono, puoi riunirle in un unico documento con convertire JPG in PDF e poi passare all’OCR. Prima di farlo, scarta le foto mosse: nessun riconoscimento recupera lettere che nella foto non si leggono.

OCR PDF gratis sul computer, senza caricare nulla

La maggior parte dei servizi di OCR online ti chiede di caricare il file sui loro server. Per una ricetta di cucina non è un problema; per una busta paga, un referto medico o un contratto con dati personali, sì. L’OCR PDF di Airpic PDF funziona in un altro modo: è un’applicazione gratuita che installi su Mac o su Windows e che fa tutto il riconoscimento sul tuo computer. Il PDF non lascia mai il disco, non c’è nessun caricamento e non serve creare un account.

Il motore cambia a seconda del sistema:

• Su Mac Airpic PDF usa il riconoscimento del testo integrato nel sistema operativo, lo stesso che il Mac usa per leggere il testo nelle foto.
• Su Windows usa un motore di riconoscimento open source per l’alfabeto latino, incluso nell’installazione, quindi funziona anche senza connessione.

Cosa copre, in pratica: le lingue scritte con alfabeto latino, compresi accenti e segni diacritici. Italiano, inglese, francese, spagnolo, tedesco e portoghese sono i casi d’uso per cui l’OCR è pensato, quindi «perché», «città» e «più» vengono riconosciuti con l’accento al loro posto. Cosa non aspettarti: su Windows il motore è per l’alfabeto latino, quindi testi in cirillico, greco, arabo, cinese o giapponese non sono il suo terreno. Se lavori con documenti in quegli alfabeti, prova prima con una pagina e controlla il risultato prima di elaborare un archivio intero.

Un’altra conseguenza del lavorare in locale: i tempi dipendono dal tuo computer e dal numero di pagine, non dalla coda di un server. Un documento di poche pagine si elabora in fretta; un faldone di centinaia di pagine richiede più pazienza, ma non ci sono limiti di dimensione imposti da un caricamento.

Una distinzione utile, visto che Airpic fa anche strumenti online per le immagini: gli strumenti web (per esempio quello per correggere foto sfocate) elaborano il file su GPU in Europa e lo cancellano dopo il download. L’OCR dei PDF invece non passa da nessun server: è nell’app desktop di Airpic PDF.

Riconoscere il testo di un PDF scansionato: cosa controllare dopo

Anche con una buona scansione, l’OCR non è una trascrizione fatta da una persona. Gli errori non sono distribuiti a caso: si concentrano in punti prevedibili, e sono proprio quelli che di solito ti interessano di più.

• Nomi propri e cognomi. Il motore non ha un dizionario dei nomi di persona o delle aziende: «Bianchini» può diventare «Bianchinl», un cognome straniero può perdere una lettera.
• Cifre. Lo 0 e la O, l’1 e la l minuscola, il 5 e la S si somigliano. In un importo o in un IBAN un carattere sbagliato cambia tutto.
• Date. Le barre e i punti tra giorno, mese e anno a volte spariscono o diventano un altro segno.
• Codici come codice fiscale, partita IVA, numeri di pratica: sono sequenze senza senso linguistico, quindi il motore non può «indovinarle» dal contesto.

C’è un controllo che richiede trenta secondi e ti dice subito se l’OCR ha funzionato: cerca una parola che sai che c’è. Scegline una non troppo comune e magari con un accento, per esempio il cognome del firmatario in un contratto o il nome del fornitore su una fattura. Premi Ctrl+F (⌘F su Mac), scrivila, e guarda se la trova e la evidenzia nel punto giusto. Poi ripeti con un numero che compare nel documento, come un importo o una data.

Se la parola viene trovata ed evidenziata nella posizione corretta, il livello di testo è allineato e la ricerca funzionerà sull’intero file. Se non la trova, seleziona la riga con il mouse e incollala in un editor di testo: vedrai esattamente come è stata letta. Se tutta la pagina esce piena di errori, il problema è quasi sempre a monte: risoluzione bassa, pagina storta o ombra. Riscansiona quella pagina invece di correggere a mano decine di parole.

Per i documenti con un valore legale o contabile, usa il testo riconosciuto per cercare e navigare, ma per i dati critici (importi, scadenze, codici) fidati sempre dell’immagine, che resta visibile e invariata sotto il livello di testo.

Rendere un PDF ricercabile con Airpic PDF, passo per passo

Ecco il procedimento completo, dalla scansione al documento modificabile. Nell’app i pulsanti hanno le etichette in spagnolo: qui sotto trovi tra parentesi la traduzione.

1. Installa Airpic PDF per Mac o Windows dalla pagina di Airpic PDF. È gratuita e non chiede account.
2. Apri il PDF scansionato. Se le pagine sono in ordine sbagliato o ce ne sono di bianche, sistemale prima con organizzare le pagine di un PDF: l’OCR lavora pagina per pagina e non ha senso farlo su fogli vuoti.
3. Premi «OCR». Puoi elaborare tutte le pagine oppure selezionarne prima solo alcune nelle miniature, utile se il documento mescola pagine già di testo e pagine scansionate.
4. Conferma e attendi. Il riconoscimento avviene sul tuo computer. La pagina a schermo non cambia aspetto: il testo è invisibile, ed è giusto così.
5. Salva. Ottieni un PDF che sembra identico all’originale ma che ora si può cercare con Ctrl+F o ⌘F in qualsiasi lettore PDF e da cui puoi copiare il testo.
6. Fai la prova della parola nota descritta sopra: un nome, poi un numero.

Se ti serve modificare il testo, e non solo cercarlo, c’è un passo in più:

1. Sul PDF a cui hai già applicato l’OCR, premi «Exportar» (Esporta) e scegli «Word (.docx)».
2. Scegli dove salvare e apri il file nel tuo programma di videoscrittura, oppure in un editor gratuito che legge il formato .docx.
3. Ricontrolla le tabelle e le impaginazioni a colonne, che sono le parti in cui la struttura si sposta di più.

L’ordine conta: se esporti in Word un PDF scansionato senza OCR, ottieni un documento con le immagini delle pagine e nessun testo da modificare. Prima il riconoscimento, poi la conversione con convertire PDF in Word.

Hai un PDF scansionato pronto sul desktop? Apri l’OCR PDF gratis di Airpic PDF e in pochi minuti avrai un documento in cui cercare e copiare il testo, senza che il file esca dal tuo computer.

FAQ

Continua a leggere