Come estrarre il testo da un PDF scansionato

Un PDF scansionato è una pila di immagini di pagine, quindi non c'è testo da selezionare o copiare. Per tirare fuori le parole serve l'OCR. Lo strumento gratuito PDF in testo fa entrambe le cose nel browser: legge direttamente il livello di testo delle pagine digitali e applica l'OCR solo alle pagine che sono immagini.

Perché non riesco a copiare il testo da un PDF?

Di solito perché la pagina è una scansione o una foto salvata come PDF. Il file mostra lettere, ma sotto ci sono solo pixel. Alcuni PDF hanno anche la copia disattivata dall'autore. Se non riesci a evidenziare una singola parola, la pagina ha bisogno dell'OCR prima di poter copiare il testo.

Come capire se un PDF è scansionato?

Aprilo e prova a selezionare una frase. Se le parole si evidenziano una a una, la pagina ha un livello di testo. Se tutta la pagina si seleziona come un'immagine, o non si seleziona nulla, è una scansione. Molti PDF mescolano le due cose: pagine digitate con qualche allegato scansionato in fondo.

Come fare l'OCR di un PDF gratis?

1. Apri lo strumentoVai su PDF in testo.
2. Aggiungi il PDFScegli un file fino a 50 MB.
3. Scegli la lingua OCRSeleziona la lingua del documento perché le pagine scansionate vengano lette bene.
4. EstraiLe pagine con testo escono subito; quelle scansionate vengono riconosciute una alla volta.
5. Copia o scaricaCopia il risultato o salvalo come file di testo.

Come ripulire il testo estratto?

Le scansioni spesso spezzano le frasi a ogni fine riga stampata e dividono le parole con il trattino. Se lavori il testo con il codice, poche righe di JavaScript ricompongono i paragrafi. Incolla il risultato dell'OCR nella variabile text ed eseguilo nella console del browser o in Node.js.

const text = `incolla qui il risultato dell'OCR`;

const cleaned = text
  .replace(/-\n(?=\p{Ll})/gu, '')   // riunisce le parole spezzate
  .replace(/(?<!\n)\n(?!\n)/g, ' ') // a capo singoli -> spazi
  .replace(/[ \t]{2,}/g, ' ');      // spazi ripetuti -> uno

console.log(cleaned);

È sicuro con documenti riservati?

Sì. Il PDF viene elaborato dal tuo browser e non viene mai caricato su un server, quindi va bene per contratti, fatture e referti. Una scansione migliore dà un testo migliore: leggi cosa influisce davvero sulla precisione dell'OCR prima di riscansionare.

E se ho solo foto delle pagine?

Allora salta il PDF e usa direttamente gli strumenti per immagini: copiare il testo da un'immagine per una pagina, oppure l'OCR multi immagine per un massimo di 20 pagine in una volta.