Rendi ricercabile un PDF scansionato senza caricare la scansione
Scansiona una pagina e il tuo computer ne memorizzerà una fotografia. Le parole appaiono correttamente sullo schermo, ma per il software sono solo pixel: Ctrl+F non trova nulla, copia-incolla non ti dà nulla e nessun indice da nessuna parte sa cosa dice il documento. OCR (riconoscimento ottico dei caratteri) risolve esattamente questo: guarda le forme, riconosce lettere e parole e scrive un vero e proprio livello di testo sotto l'immagine.
Perché questo è importante nella pratica
- Trovare qualsiasi cosa. Ctrl+F su un contratto scansionato di 200 pagine inizia a funzionare.
- Riutilizzare le parole. Citazioni, indirizzi, numeri di clausola: selezionabili e copiabili invece che riscritti.
- Accessibilità e indicizzazione. Gli screen reader e i motori di ricerca possono improvvisamente “leggere” il documento.
La cattura che nessuno menziona
La maggior parte degli strumenti OCR online leggono il tuo documento caricandolo sui propri server, il che è una cosa strana da fare con una scansione del tuo passaporto, di una cartella clinica o di un contratto con un cliente. Il nostro Strumento OCR prende l’altra strada: il riconoscimento corre all'interno del tuo browser (il motore Tesseract standard del settore, compilato in WebAssembly) e anche il PDF ricercabile viene assemblato localmente. La scansione non lascia mai il tuo dispositivo.
Ottenere la massima precisione
- Prima raddrizza. Una pagina inclinata di due gradi costa la precisione su ogni riga. Corri Allineamento prima dell'OCR se la scansione appare storta.
- Scansione a 300 DPI. Dettagli sufficienti per il motore; di più lo rallenta solo.
- Abbina la lingua. Scegli la lingua giusta nello strumento OCR: i dizionari di riconoscimento differiscono e "inglese" su una pagina francese produce certe sciocchezze.
- Attenzione ai caratteri. I volti delle macchine da scrivere e la calligrafia sono davvero difficili; aspettatevi correzioni lì.
Dopo l'OCR
L'output è un PDF che sembra identico ma contiene testo invisibile e selezionabile. Da lì è un documento normale: cercalo, copialo, inseriscilo nel file PDF in testo strumento per le parole grezze o convertirlo in un formato modificabile con Da PDF a Word.
Una lista di controllo della precisione
- Raddrizzare la pagina prima del riconoscimento; le scansioni raddrizzate leggono meglio.
- Usa circa 300 DPI: più pixel aiutano solo fino al punto in cui il rumore inizia a fare male.
- Scegli la lingua nella pagina, incluso lo script corretto.
- Successivamente cerca tre dettagli noti: un totale, una data e un nome.
- Controlla l'output stampato, non solo il risultato della ricerca.
Lingue e scrittura
Il riconoscimento funziona meglio su testo stampato pulito in una lingua supportata. Le pagine in lingue miste possono confondere il modello linguistico; eseguire passaggi separati se le sezioni sono distinte. La scrittura a mano è il caso difficile: le etichette stampate attorno a una nota scritta a mano possono essere riconosciute mentre la nota stessa viene persa. Non trattare un risultato OCR come una trascrizione certificata di un documento scritto a mano.
Cosa fare dopo con il testo
Una volta che la scansione ha un livello di testo, può essere cercata, copiata e indicizzata e può essere convertita in Word o estratta come testo. Conserva la scansione originale insieme alla versione ricercabile se l'immagine costituisce un documento legale. La privacy è l'altra metà della decisione: il riconoscimento basato sul browser mantiene la scansione sul tuo dispositivo, mentre un servizio basato sul caricamento la invia a un server. Scegli il modello che corrisponde alla sensibilità del documento, non solo al prezzo.
Provalo: rendere ricercabile una scansione — localmente, gratuitamente: la scansione non lascia mai il tuo dispositivo e il PDF generato è costruito allo stesso modo.