Estrai il testo da qualsiasi PDF

Due tipi di PDF, due problemi diversi

Il testo può essere memorizzato in un PDF in due modi distinti. Il modo in cui è memorizzato determina quasi tutte le difficoltà che si incontrano nell'estrazione.

File Word, Google Docs o qualsiasi software di grafica memorizzano le lettere all'interno del file stesso. Estrarre quel testo è immediato, perché è già contenuto nel file.

La scansione o l'immagine di un testo contiene soltanto un'immagine del testo. Le lettere vanno riconosciute prima di poterle estrarre dall'immagine. Questo processo si chiama OCR (riconoscimento ottico dei caratteri).

Scansioni e immagini richiedono un po' più di tempo, e i risultati sono molto precisi ma non perfettamente precisi. Meglio dirlo con onestà piuttosto che dare cifre inesatte.

Copiare il testo da un PDF scansionato

Se il tuo lettore PDF non riesce a selezionare o copiare nessun testo, è una scansione. Caricalo qui e questo lettore OCR online ti restituirà il testo in una forma che puoi copiare, cercare e modificare.

Impostare la lingua spesso aiuta. Il rilevamento automatico funziona bene sulla maggior parte delle pagine, ma scegliere tu stesso italiano, inglese, urdu, arabo, cinese o una qualsiasi delle 39 lingue dà risultati nettamente migliori su documenti misti o con alfabeti non latini.

• Scansiona a 300 DPI o più; impostazioni più basse fanno perdere dettagli, con un effetto negativo sulla precisione dell'OCR.
• Meglio raddrizzare le pagine storte prima di caricarle. Anche pochi gradi di inclinazione influiscono negativamente sul risultato.
• Le scansioni piatte danno risultati migliori delle foto scattate in diagonale.
• Una buona luce uniforme conta più di quanto pensi: un'ombra sulla pagina rende le lettere più difficili da leggere.

Infine, vuoi che sia il PDF stesso a diventare ricercabile, con lo stesso aspetto di adesso? È un'operazione diversa: OCR PDF aggiunge al PDF un livello di testo nascosto, invece di produrre un file di testo separato.

Quando il testo esce confuso

Articoli scientifici, riviste e giornali sono impaginati in colonne. Un convertitore che legge dritto attraverso la pagina mescola le colonne, e ne esce un testo senza senso.

Questo convertitore da PDF a testo riconosce le pagine a due colonne e legge ogni colonna dall'alto in basso prima di passare alla successiva.

• Mantieni gli a capo va a capo dove la pagina va a capo. Le colonne vengono comunque lette una alla volta.
• Unisci in paragrafi riunisce le righe spezzate solo dalla larghezza della pagina. Ideale per incollare in un documento o in un'email.
• Mantieni il layout conserva le parole al loro posto nella pagina, così colonne e tabelle restano allineate con un carattere a spaziatura fissa.
• Blocco di testo unico mette tutto su una sola riga, da incollare in un modulo o in una cella di un foglio di calcolo.

Alcuni PDF sono creati con caratteri le cui lettere non sono veri caratteri, quindi copiarli dà un testo senza senso. Pagine così vengono riconosciute e lette con l'OCR. Puoi forzarlo anche per tutto il documento con Rileggi ogni pagina con l'OCR.

TXT, Word, Markdown, pagina web o JSON

• Un file di testo semplice (.txt) contiene le parole, e solo le parole. È la classica conversione da PDF a TXT, che permette di incollare altrove o passare il testo a un altro programma.
• Un file Word (.docx) si apre in Word o Google Docs, con le tabelle mantenute come tabelle e le nuove pagine inserite come nel PDF originale.
• Un file Markdown (.md) conserva titoli e tabelle con la sintassi Markdown, per usarlo facilmente in app di appunti, wiki o da parte degli sviluppatori.
• Un file pagina web (.html) contiene tag strutturati che puoi vedere in qualsiasi browser.
• Un file JSON contiene la rappresentazione di ogni pagina, con righe, posizioni, affidabilità dell'OCR, tabelle e link.

Ti serve anche l'impaginazione esatta, oltre alle parole? Converti da PDF a Word per mantenere il layout della pagina. Ti servono le tabelle in forma di foglio di calcolo? Prova la nostra conversione da PDF a Excel.

Tabelle, intestazioni e numeri di pagina

Le tabelle vengono convertite in righe e colonne anziché in paragrafi di testo. Nella versione in testo semplice le tabelle sono separate da tabulazioni, mentre nelle versioni Word, Markdown e HTML appaiono come tabelle.

Rimuovi intestazioni e numeri di pagina elimina l'intestazione corrente e il numero di pagina che compaiono in alto o in basso su ogni pagina del PDF. Così il testo scorre come un unico documento, senza essere interrotto ogni pochi paragrafi.

Correggi le parole spezzate a fine riga riunisce le parole divise con un trattino a fine riga. Invece di "docu-mento" vedrai "documento". Segna dove inizia ogni pagina inserisce un breve segno all'inizio di ogni pagina, così puoi seguire facilmente il PDF originale.

PDF protetti e riservati

Per un PDF protetto da password, scrivila nel campo Password del documento. Serve per aprire il file e non viene mai memorizzata.

Per un PDF che non deve uscire dal tuo dispositivo, apri Estrai su questo dispositivo. Il browser legge il testo da solo, non viene caricato nulla e non si usano crediti.

Quella modalità legge solo il livello di testo, quindi va bene per contratti, estratti conto e lettere fatte al computer. Una pagina scansionata non ha un livello di testo da leggere, perciò le scansioni richiedono il convertitore normale, che esegue l'OCR. La modalità sul dispositivo può anche essere più lenta con documenti lunghi, perché usa il tuo computer invece del nostro.

Leggi il risultato prima di scaricarlo

Il testo si apre in un editor nella pagina. Vai a qualsiasi pagina, correggi una parola, unisci le righe in paragrafi, cambia le maiuscole, copialo o fattelo leggere ad alta voce.

Le parole di cui l'OCR non era sicuro sono evidenziate, così sai cosa controllare. I link del PDF sono elencati insieme al risultato. Non sei soddisfatto? Rileggi lo stesso file con un altro layout, un'altra lingua o un altro formato, gratis, fino a 5 volte finché è ancora sui nostri server.

Tradurre il testo estratto

Puoi tradurre automaticamente il risultato in inglese, urdu, arabo, spagnolo, francese o altre sette lingue mentre viene estratto. È utile per capire rapidamente un documento in lingua straniera.

È una traduzione automatica, quindi controlla tutto ciò che è importante. Vengono tradotti fino a 120.000 caratteri alla volta, quindi per un rapporto lungo scegli un intervallo di pagine e traducilo a parti.

Sì. I tuoi file vengono eliminati dai nostri server un'ora dopo l'elaborazione, in automatico.

Niente viene conservato oltre quell'ora. Nessuna persona legge nulla. Niente viene usato per addestrare alcunché. Ogni caricamento e ogni download passa su HTTPS, quindi il file è cifrato in entrambe le direzioni.

Se anche questo è più di quanto vuoi, usa Estrai su questo dispositivo. Il PDF resta nel tuo browser e non raggiunge mai i nostri server.

I tuoi risultati recenti sono conservati nel tuo browser, mai sui nostri server, e puoi cancellarli quando vuoi.