Come un PDF memorizza il testo
Una pagina PDF è un insieme di istruzioni di disegno: “disegna il glifo 37 del carattere F2 a x=72, y=640”. In molti file non esiste il concetto di paragrafo, colonna o persino parola, ma solo glifi posizionati. Quando copi del testo, il tuo visualizzatore indovina come quei glifi formano parole, righe e paragrafi. Il più delle volte ci indovina. Quando non ci riesce, si verificano i problemi descritti di seguito.
Problema 1: Nessun testo disponibile
Causa: la pagina è un'immagine: una scansione, una foto o un export appiattito. Non ci sono caratteri da copiare. Soluzione: esegui l'OCR. Il nostro strumento da PDF a testo rileva le pagine con sole immagini ed esegue l'OCR automaticamente. Scopri come riassumere un PDF scansionato.
Problema 2: Caratteri illeggibili o simboli
Causa: il PDF utilizza font (spesso subset o con codifica personalizzata) privi di una corretta mappatura dai glifi ai caratteri Unicode. Il visualizzatore sa come disegnare il testo ma non sa quali lettere rappresenti. Soluzione: prova prima un altro strumento di estrazione; se qualsiasi strumento restituisce caratteri illeggibili, tratta il PDF come una scansione e usa l'OCR, che legge le forme anziché i dati del font.
Problema 3: Righe spezzate e parole con trattino
Causa: nel PDF, ogni riga è una sequenza di testo separata. La copia mantiene le interruzioni di riga e i trattini alla fine delle righe. Soluzione: un passaggio di pulizia che ricompone le righe all'interno di un paragrafo e rimuove i trattini di fine riga (la nostra estrazione lo fa automaticamente).
Problema 4: Colonne mescolate
Causa: nei layout a più colonne, un estrattore ingenuo legge la pagina in modo lineare da sinistra a destra, riga per riga, unendo le colonne. Soluzione: estrazione basata sull'ordine di lettura, che raggruppa i blocchi di testo prima di leggerli. La maggior parte degli strumenti moderni lo fa; le modalità che preservano il layout potrebbero non farlo.
Problema 5: Spazi mancanti o spazi extra
Causa: alcuni PDF posizionano ogni parola — o ogni lettera — separatamente, senza veri caratteri di spazio. L'estrattore deve dedurre gli spazi in base agli intervalli vuoti. Soluzione: un motore di estrazione differente o l'OCR come ultima spiaggia.
Problema 6: Le tabelle diventano un ammasso illeggibile
Causa: le tabelle sono solo testo posizionato in una griglia; nella maggior parte dei PDF non esiste alcuna struttura tabellare. Soluzione: per i dati, usa uno strumento di estrazione tabelle dedicato; per la comprensione, fai una domanda sulla tabella: l'intelligenza artificiale di solito sa interpretare un'estrazione riga per riga.
Problema 7: La copia è bloccata
Causa: il PDF ha flag di autorizzazione che chiedono ai visualizzatori di disabilitare la copia, oppure è protetto da password. Soluzione: se hai il diritto di utilizzare il contenuto, aprilo con la password e stampalo su un nuovo PDF. Rispetta sempre la licenza del documento.
Domande frequenti
Perché il testo copiato dal PDF ha interruzioni di riga ovunque?
Perché ogni riga è memorizzata separatamente nel PDF. Incolla in uno strumento che ricompone i paragrafi o usa un estrattore che pulisce le interruzioni di riga.
Perché ottengo simboli strani quando copio da un PDF?
Il font manca di una mappatura corretta dei caratteri. L'OCR è solitamente la soluzione più affidabile.
Come posso estrarre il testo da un PDF scansionato?
Usa l'OCR. Lo strumento da PDF a testo su questo sito lo esegue automaticamente quando una pagina è priva di un livello di testo.
Posso mantenere la formattazione?
L'estrazione di solo testo elimina font e layout. Per modificare il documento mantenendo la formattazione, convertilo con uno strumento da PDF a Word, tenendo conto che potrebbe essere necessaria una pulizia successiva.