Come fare l'OCR da PDF a Word in 3 passaggi
- Carica il PDF scansionato nel convertitore qui sopra (fino a 100 MB).
- Converti. Il convertitore cerca prima un livello di testo. Se il PDF non ne ha, renderizza le prime 10 pagine a 300 DPI e le legge con l'OCR Tesseract.
- Scarica il DOCX. L'output OCR è composto da semplici paragrafi: il testo è modificabile, ma il layout originale, le tabelle e le immagini non vengono ricostruiti.
Il convertitore di questa pagina legge l'inglese. La pagina del convertitore da PDF a Word (cleverutils.com/pdf-to-docx) ha un menu con 14 lingue OCR: inglese, francese, tedesco, spagnolo, italiano, portoghese, russo, ucraino, polacco, olandese, turco, arabo, giapponese e coreano.
Che cos'e l'OCR?
Il riconoscimento ottico dei caratteri (OCR) e una tecnologia che converte immagini di testo in testo modificabile e leggibile dalla macchina. Quando si scansiona un documento cartaceo, lo scanner crea una fotografia di ogni pagina. Il software OCR analizza tale fotografia, identifica i singoli caratteri e produce il testo corrispondente.
Il processo OCR prevede in genere diverse fasi:
- Preelaborazione dell'immagine: raddrizzamento delle pagine inclinate, rimozione del rumore, regolazione del contrasto e binarizzazione dell'immagine (conversione in bianco e nero)
- Rilevamento del testo: identificazione delle aree dell'immagine che contengono testo rispetto a immagini, bordi o spazi vuoti
- Riconoscimento dei caratteri: analisi della forma di ogni carattere e confronto con schemi di lettere noti
- Postelaborazione: applicazione di corrispondenza con dizionario e regole linguistiche per correggere errori di riconoscimento comuni
PDF scansionati vs PDF nativi
Comprendere la differenza tra PDF scansionati e nativi e fondamentale per scegliere il giusto approccio di conversione:
| Caratteristica | PDF nativo (digitale) | PDF scansionato |
|---|---|---|
| Creato da | Esportazione da Word, stampa del browser ecc. | Scanner, fotocamera, fax |
| Contenuto | Dati di testo strutturati | Immagini delle pagine |
| Testo selezionabile? | Sì | No |
| Ricercabile? | Sì | No (senza OCR) |
| OCR necessario? | No — testo estratto direttamente | Sì — indispensabile per estrarre il testo |
| Precisione di conversione | Esatta (il testo viene copiato, non riconosciuto) | Dipende dalla qualità della scansione |
Test rapido: apri il PDF e prova a selezionare il testo con il mouse. Se puoi evidenziare singole parole, è un PDF nativo. Se il clic seleziona l'intera pagina come unica immagine, è un PDF scansionato che richiede l'OCR. I file nativi non hanno bisogno dell'OCR: leggi piuttosto come convertire un PDF nativo in Word senza perdere la formattazione.
Fattori che influenzano la precisione dell'OCR
La precisione dell'OCR varia notevolmente in base alla qualita dell'input. Ecco i fattori chiave:
Risoluzione di scansione (DPI)
La risoluzione e il fattore piu importante in assoluto. Piu DPI significa piu informazioni in pixel con cui il motore OCR puo lavorare:
- 150 DPI: minimo per l'OCR. Funziona con caratteri grandi e nitidi; il testo piccolo produce molti errori.
- 300 DPI: standard consigliato. Buon equilibrio tra dimensione del file e precisione su testo pulito. Il nostro OCR renderizza le pagine a 300 DPI.
- 600 DPI: ideale per testo molto piccolo e documenti densi. File più grandi, elaborazione più lenta.
Qualita dell'immagine
Oltre alla risoluzione, diversi fattori di qualita dell'immagine influenzano i risultati dell'OCR:
- Contrasto: un alto contrasto tra testo e sfondo produce i risultati migliori. Il testo sbiadito su carta invecchiata e piu difficile da riconoscere.
- Allineamento: pagine dritte e ben allineate producono risultati migliori rispetto a scansioni inclinate o ruotate. La maggior parte dei motori OCR include il raddrizzamento, ma partire dritti e meglio.
- Rumore: puntini, sbavature, macchie di caffe e artefatti dello scanner riducono la precisione. Gli originali puliti si scansionano meglio.
- Ombre: il dorso dei libri crea ombre nel margine di rilegatura. La scansione piana o l'uso di una telecamera documentale riducono questo problema.
Caratteristiche di font e testo
Non tutto il testo e uguale ai fini dell'OCR:
- Font standard (Times New Roman, Arial, Helvetica) — precisione massima
- Font decorativi (corsivi, ornamentali) — precisione inferiore
- Testo piccolo (sotto 8 pt) — richiede DPI piu elevati per compensare
- Testo in grassetto — generalmente buono; pesi molto spessi possono fondere i caratteri
- Testo colorato su sfondo colorato — il contrasto ridotto abbassa la precisione
Migliorare i risultati dell'OCR
Se i tuoi risultati OCR iniziali non sono soddisfacenti, prova questi passaggi di preelaborazione prima della conversione:
- Rieseguire la scansione a DPI piu elevati: se hai accesso al documento originale, rieseguine la scansione a 300 o 600 DPI.
- Raddrizzare le pagine inclinate: usa la funzione di raddrizzamento automatico del tuo scanner o raddrizza le immagini prima dell'OCR.
- Aumentare il contrasto: se l'originale e sbiadito, regola la luminosita e il contrasto dello scanner per scurire il testo e schiarire lo sfondo.
- Rimuovere il rumore: usa filtri di despeckle per ripulire gli artefatti dello scanner e la trama della carta.
- Ritagliare i margini: rimuovere ampi margini vuoti, fori di rilegatura e artefatti ai bordi aiuta il motore OCR a concentrarsi sul contenuto effettivo.
Buona prassi: scansiona i documenti a colori a 300 DPI o piu, anche se l'originale e in bianco e nero. Le scansioni a colori conservano piu informazioni per la fase di preelaborazione, anche se l'OCR alla fine lavora sull'immagine binarizzata.
OCR multi-lingua
I motori OCR moderni supportano decine di lingue, comprese quelle con alfabeti non latini (cinese, giapponese, coreano, arabo, cirillico, devanagari). Considerazioni chiave per documenti multilingue:
- Selezione della lingua: specificare la lingua corretta migliora la precisione, perché il motore OCR utilizza dizionari e set di caratteri specifici per lingua.
- Documenti con lingue miste: i documenti con più lingue (comuni negli articoli accademici) possono richiedere più passaggi OCR o una configurazione multilingua.
- Alfabeti da destra a sinistra: l'arabo e l'ebraico richiedono motori OCR con supporto adeguato al testo bidirezionale.
- Caratteri CJK: cinese, giapponese e coreano hanno migliaia di caratteri con differenze sottili, richiedendo modelli di riconoscimento specializzati.
Limiti del riconoscimento della scrittura a mano
Sebbene la tecnologia OCR abbia fatto molti progressi, il riconoscimento della scrittura a mano resta una sfida:
- Scrittura in stampatello: lettere in stampatello ordinate e separate vengono riconosciute in parte, con errori frequenti.
- Scrittura corsiva: le lettere collegate sono estremamente difficili per i motori OCR standard e di solito il risultato è illeggibile.
- Variazione individuale: a differenza del testo stampato a macchina, la scrittura di ciascuna persona è unica, rendendo il confronto per schemi poco affidabile.
- Contenuti misti: i documenti con testo stampato e annotazioni a mano si elaborano meglio in due passi — OCR del testo stampato, poi trascrizione manuale della scrittura.
Altri modi gratuiti per fare l'OCR di un PDF
- Google Docs: carica il PDF su Google Drive, fai clic destro sul file e scegli Apri con → Documenti Google. Drive esegue l'OCR e apre il testo, che puoi scaricare come .docx. Se ti serve solo il testo semplice e non un DOCX, scopri come estrarre il testo da un PDF.
- Windows 11: le Azioni testo dello Strumento di cattura copiano il testo da uno screenshot della pagina, e Microsoft PowerToys include Text Extractor (Win+Shift+T). Per una singola pagina salvata come JPG o PNG, il nostro strumento OCR da immagine a testo legge il testo online.
- Mac: Testo attivo in Anteprima permette di selezionare e copiare il testo in pagine scansionate e immagini (macOS Monterey e successivi).
- Tesseract: lo stesso motore open source usato dal nostro convertitore funziona anche sul tuo computer:
tesseract page.png output -l eng.