Copiare il testo di un PDF che non si lascia copiare
Pubblicata il · Aggiornata il 2 min di lettura
Volete prendere il testo da un PDF e la selezione con il mouse non funziona, o dà lettere in disordine. Tutto dipende da ciò che il documento contiene davvero: testo, oppure solo immagini di testo. L'estrazione non dà la stessa cosa nei due casi.
Testo reale o immagine di testo
Aprite il PDF e provate a selezionare una parola. Se la selezione funziona, il documento contiene testo reale. Altrimenti le sue pagine sono immagini, come quelle di una scansione: per il computer è una foto, non delle lettere.
Che cosa fa lo strumento
PDF in testo legge direttamente il testo reale e applica il riconoscimento dei caratteri alle pagine che non ne hanno, cioè «legge» l'immagine per trovare le lettere. Il risultato è un file di testo con un indicatore prima di ogni pagina: «--- Page 1 [native] ---» per il testo reale, «--- Page 1 [ocr] ---» per una pagina riconosciuta. Per un rapporto di dieci pagine, il file pesa circa 5 KB.
Una pagina a due colonne
Lo strumento legge le righe su tutta la larghezza della pagina. Le righe di due colonne si mescolano quindi: sinistra e destra si susseguono riga dopo riga. Una parola spezzata a fine riga resta spezzata, per esempio «com» poi «menced», e il trattino sparisce. Le celle di una tabella arrivano su una sola riga, separate da spazi.
Una pagina scansionata
Una pagina trasformata in immagine non ha più testo reale. Il riconoscimento richiede qualche secondo per pagina e ritrova il testo, la parola spezzata e le righe di una tabella, con le stesse colonne mescolate. Il motore è impostato per il francese: un'altra lingua può essere riconosciuta meno bene, e la nitidezza della scansione conta molto per il risultato.
Rileggere prima di usarlo
- Verificate nomi propri, numeri e accenti.
- Individuate i cambi di colonna.
- Per conservare l'impaginazione, convertite invece il PDF in immagini.
- Conservate il PDF originale.
Per quali documenti
Un contratto scansionato, una fattura ricevuta come immagine, un articolo in cui la selezione non funziona, o un rapporto da cui volete prendere qualche paragrafo: l'estrazione dà un file di testo da copiare altrove.
Domande frequenti
- Come si sa se il mio PDF contiene testo reale?
- Provate a selezionare una parola. Se la selezione funziona, il testo è reale. Altrimenti le pagine sono immagini, come quelle di una scansione.
- Lo strumento può leggere un PDF scansionato?
- Sì, applica il riconoscimento dei caratteri alle pagine che non hanno testo. Il motore è impostato per il francese, e la nitidezza della scansione conta molto.
- Perché le due colonne si mescolano?
- Lo strumento legge le righe su tutta la larghezza della pagina, quindi le colonne si mescolano. Per conservare l'impaginazione, convertite invece il PDF in immagini.
- Che cosa significano «[native]» e «[ocr]» nel risultato?
- «[native]» indica testo reale, «[ocr]» una pagina riconosciuta da un'immagine. La seconda richiede una rilettura più attenta.