PDF digitale vs PDF scansionato
Un PDF digitale (esportato da Word, da un sito web o da un sistema di contabilità) contiene i caratteri veri e propri, completi di posizione. Puoi selezionare e copiare il testo, e qualsiasi strumento di riassunto può leggerlo senza problemi.
Un PDF scansionato (proveniente da uno scanner, una fotocopiatrice o un'app per smartphone) contiene solo immagini. Non ci sono caratteri, ma semplici pixel che ricordano delle lettere. Il copia-incolla non restituisce nulla e uno strumento di riassunto che legge solo il livello di testo vedrà un documento vuoto.
Alcuni PDF sono ibridi: un'immagine scansionata con un livello di testo OCR invisibile aggiunto dal software dello scanner. Questi si comportano come i PDF digitali, con la precisione dell'OCR che li ha generati.
Come verificare se il tuo PDF è scansionato
- Prova a selezionare una parola. Se l'intera pagina si evidenzia come un'immagine, o se non si seleziona nulla, è una scansione.
- Fai una ricerca di una parola che vedi (Ctrl/Cmd + F). Nessun risultato? È scansionato.
- Zoomando molto, il testo scansionato diventa sfocato o pixelato; il testo digitale rimane perfettamente nitido.
Come funziona l'OCR (in breve)
Il software OCR pulisce l'immagine della pagina (raddrizzandola e migliorandone il contrasto), individua le righe di testo, suddivide caratteri o parole e li riconosce utilizzando un modello addestrato per ciascuna lingua. I motori moderni come Tesseract utilizzano reti neurali in grado di riconoscere intere righe, migliorando la precisione, sebbene la qualità del file di origine rimanga il fattore principale.
Ottenere un OCR preciso
- Risoluzione: 300 dpi per caratteri piccoli, 200 dpi vanno bene per il testo normale. Sotto i 150 dpi, gli errori aumentano drasticamente.
- Pagine piatte e dritte: usa uno scanner piano o un'app che appiattisca e ritagli le pagine; evita le curvature dei libri.
- Contrasto: il nero su sfondo bianco è l'ideale; gli scontrini termici sbiaditi e gli sfondi colorati sono difficili da elaborare.
- Lingua: l'OCR utilizza modelli linguistici; i documenti in inglese, francese, tedesco, spagnolo, italiano o portoghese sono quelli riconosciuti con maggiore accuratezza dal nostro strumento.
- Niente grafia: le note scritte a mano raramente vengono riconosciute in modo affidabile.
Riassumi un PDF scansionato in un solo passaggio
- Carica il PDF scansionatosullo strumento per riassumere PDF scansionati o sulla home page.
- Attendi l'OCRl'avanzamento mostrerà "PDF scansionato: esecuzione OCR in corso"; calcola circa 2-4 secondi a pagina.
- Scegli il formato di outputriassunto, punti chiave, domande o il testo riconosciuto in formato .txt.
- Verifica i dettagli criticiconfronta nomi, importi e date con l'immagine originale.
Errori OCR tipici a cui prestare attenzione
- 0 e O, 1 e l e I, 5 e S, 8 e B all'interno di numeri e codici.
- Virgole decimali o separatori delle migliaia mancanti negli importi.
- Colonne unite nei layout multi-colonna.
- Intestazioni, timbri e firme interpretati come caratteri casuali.
Un riassunto basato su testo OCR eredita questi errori, motivo per cui è sempre importante fare riferimento alle pagine originali e verificare rapidamente le cifre chiave.
Domande frequenti
Posso riassumere la foto di un documento?
Sì, a patto che sia salvata come PDF e che la pagina sia piatta, nitida e ben illuminata. Le app per scanner che ritagliano e appiattiscono offrono risultati decisamente migliori rispetto alle foto scattate al volo.
Perché l'OCR richiede più tempo?
Ogni pagina deve essere analizzata come un'immagine. Calcola circa 2-4 secondi per pagina, a fronte della lettura quasi istantanea dei PDF digitali.
C'è un limite di pagine per i PDF scansionati?
Nello strumento gratuito, l'OCR copre le prime 40 pagine di un PDF scansionato. I PDF digitali possono invece arrivare fino a 300 pagine.
Posso estrarre il testo OCR?
Sì, utilizza la scheda Estrai testo o lo strumento da PDF a testo e scarica il file .txt.