Una copia ricercabile della tua scansione

Quando scansioni un contratto, un estratto conto o una vecchia lettera, il PDF contiene l’immagine di ogni pagina e nient’altro. Tesseract legge l’immagine e annota ogni parola insieme alla sua posizione sulla pagina. Lo strumento copia poi le tue pagine originali in un nuovo PDF e ci appoggia sopra quel testo con caratteri invisibili, parola per parola, come fanno gli scanner con l’OCR integrato. La pagina resta identica, ma adesso puoi trovare un nome con Ctrl+F, selezionare un paragrafo e incollarlo in una mail, e la ricerca del tuo computer trova il file in base a quello che c’è scritto.

Pagine che hanno già del testo

Molti PDF mescolano pagine scansionate e pagine create al computer. Le pagine che hanno già testo vero non vengono rilette: vengono copiate così come sono e il loro testo finisce nel .txt tale e quale. Se quel testo ti sembra sbagliato, o se il tuo scanner aggiunge un piccolo timbro stampato a ogni pagina, spunta Leggi anche le pagine che hanno già del testo e verranno lette tutte.

Privato per come è fatto

Tutto succede in questa scheda e niente viene inviato altrove. Per estrarre il testo da foto e screenshot usa Estrarre testo da immagine. Per alleggerire una scansione pesante usa Comprimere PDF.

Domande frequenti

Il PDF cambia aspetto?

No. Le pagine vengono copiate intatte: stessa scansione, stesse dimensioni, stesso ordine. Il testo riconosciuto da Tesseract viene aggiunto con caratteri invisibili, allineato alle parole della scansione, così selezionare, copiare e cercare funzionano in qualsiasi lettore PDF. Il peso del file cambia appena.

Quanto ci mette?

Ogni pagina viene disegnata a 300 dpi e letta da sola: su un computer recente servono pochi secondi a pagina, su un telefono o un portatile meno recente di più. Una scansione lunga può richiedere diversi minuti. Tieni aperta la scheda: l'avanzamento ti mostra a che pagina è arrivato e puoi fermarlo quando vuoi.

Quanto è buono il testo?

I documenti dattiloscritti e stampati, scansionati ben distesi, di solito escono con pochi errori. Fotocopie sbiadite, scansioni storte o a bassa risoluzione, scrittura a mano e caratteri decorativi vengono letti molto peggio. Quando un documento viene letto male, lo strumento te lo dice. La ricerca trova ciò che Tesseract ha letto bene, quindi controlla nomi, numeri e importi sulla scansione prima di fidarti.

Il mio PDF viene caricato?

No. PDF.js disegna ogni pagina dentro il browser, Tesseract la legge nella stessa scheda e pdf-lib scrive il nuovo file nella memoria della pagina. Il motore e i dati della lingua sono gli unici download e arrivano da questo sito.

Nella copia ricercabile si perde qualcosa?

Ogni pagina resta com'è. Non vengono riportati gli elementi che valgono per tutto il documento: segnalibri, campi compilabili dei moduli e file allegati. Se ti servono, tieni l'originale accanto alla copia ricercabile.

Funziona con un PDF protetto da password?

No. Aprilo con la sua password nel tuo lettore PDF, salva una copia senza password e usa quella.