Rendi cercabile un PDF scansionato

Che cosa esce da qui, e che cosa no

Da qui esce un file .pdf, non un file di testo. Le pagine sono le stesse, l'aspetto è lo stesso, il peso cresce di pochissimo: quello che cambia è che sopra le fotografie è stato messo uno strato di testo invisibile, allineato parola per parola. Da quel momento il PDF si comporta come uno normale, Ctrl+F lo attraversa, il testo si seleziona e si copia, e i programmi che ci cercano dentro finalmente trovano qualcosa.

Se invece quello che ti serve è il testo e basta, da incollare in una mail o in un documento, la scheda giusta è un'altra e sta in Estrai il testo da un'immagine. E se non sai quale dei due casi sia il tuo, il modo più veloce per scoprirlo è provare ad aprire il file con Estrai il testo da un PDF.

Le pagine non vengono rifatte: ci si scrive sopra

La strada comoda sarebbe trasformare ogni pagina in un'immagine e ricomporre un PDF nuovo. Non è quello che succede qui, ed è una scelta: il file gonfierebbe, la resa peggiorerebbe a ogni passaggio e il risultato sarebbe quello che si ottiene già a mano mettendo in fila due strumenti del sito. Gli oggetti originali della pagina non vengono toccati, e in coda si aggiunge solo il testo.

La parte difficile non è riconoscere le lettere, è metterle nel punto giusto. Fra i pixel dell'immagine e i punti del foglio ci sono la scala del disegno, la rotazione della pagina (i documenti passati allo scanner sono ruotati quasi sempre) e l'origine del foglio, che non è detto sia zero. Sono i tre conti che fanno finire una firma o una scritta in mezzo al nulla, e qui li fa la stessa conversione già usata da Scrivi su un PDF.

La qualità è misurata, non promessa

Alla fine trovi una riga per ogni pagina con quante parole sono state scritte e quanto era sicuro il riconoscimento. Serve perché il guasto peggiore, qui, è consegnare un file che sembra cercabile e non trova niente: chi archivia una bolletta se ne accorge fra sei mesi, quando cerca il numero del contatore e il computer gli dice che non c'è.

Le parole di cui il riconoscimento non è sicuro non vengono scritte, e vengono contate. Meglio una parola in meno che una parola inventata dentro un archivio. Quando una pagina viene male è quasi sempre il foglio a essere storto o fotografato di sbieco, e lì si guadagna molto più raddrizzandolo con Raddrizza un documento fotografato che cambiando qualunque impostazione.

Quanto ci mette, e quello che non fa

Il riconoscimento gira dentro il tuo browser, quindi il tempo dipende dal tuo computer: un foglio costa qualche secondo, e la stima che vedi mentre lavora è ricavata dalle pagine già fatte, non promessa in partenza. Puoi fermarti quando vuoi e tenere quello che è stato fatto. Il tetto è di sessanta pagine, dichiarato prima di cominciare, e sopra si taglia il documento con Dividi PDF ed estrai pagine.

Non riconosce la scrittura a mano, non rimette in colonna le tabelle e non apre i PDF protetti da una password, che vanno sbloccati prima con Togli la password dal PDF. Le pagine che il testo ce l'hanno già vengono lasciate stare, se no ogni ricerca troverebbe due volte la stessa parola. Dopo, il file è pronto per Cerca una parola dentro tanti PDF e per Estrai le tabelle da un PDF.