Come convertire un PDF scansionato in Word, e perché i risultati variano

Due PDF possono sembrare identici sullo schermo e comportarsi in modo completamente diverso quando li converti in Word. Uno è stato salvato da un programma di videoscrittura e contiene testo vero. L’altro è stato creato da uno scanner o dalla fotocamera di un telefono, e ogni pagina è una fotografia di un testo. Per trasformare il secondo in un documento modificabile, un convertitore deve prima leggere le lettere dall’immagine, poi indovinare com’era impaginata la pagina. Entrambi i passaggi possono andare storti, e questa guida spiega dove, perché e cosa puoi fare.

Come capire se il tuo PDF è scansionato

Il test più rapido è provare a selezionare una singola parola. Se il cursore disegna un riquadro sull’intera pagina invece di evidenziare la parola, la pagina è un’immagine. La ricerca con Ctrl+F (Cmd+F su Mac) è il secondo test: in una pagina scansionata non trova nulla, nemmeno una parola che vedi.

Anche ingrandire aiuta. Il testo vero resta nitido a qualsiasi livello di zoom, perché è disegnato a partire da un font. Il testo scansionato diventa sfocato e quadrettato man mano che ingrandisci, perché è fatto di pixel.

Alcune scansioni sono un misto. Il software degli scanner spesso esegue il riconoscimento del testo quando salva il file e nasconde il testo riconosciuto dietro l’immagine, così puoi selezionarlo e cercarlo. Quel testo nascosto, però, è buono quanto l’ipotesi dello scanner. Copia un paragrafo in un editor di testo semplice e vedrai esattamente cosa c’è, errori di lettura compresi.

Cosa fa davvero l’OCR

L’OCR, il riconoscimento ottico dei caratteri, è il procedimento che trasforma l’immagine di un testo in caratteri. Funziona per fasi. L’immagine viene ripulita: raddrizzata se è inclinata, e il suo contrasto regolato. Il software trova poi le zone che contengono testo, le divide in righe e parole e confronta ogni forma con l’aspetto che ha imparato ad attribuire alle lettere, usando un dizionario della lingua per risolvere i casi dubbi.

Il dizionario è importante, perché può aiutare solo con le parole. Se l’OCR legge «Iavoro» con una I maiuscola, il dizionario lo riporta a «lavoro». Se legge un numero di conto come 1O45 invece di 1045, non c’è nulla con cui correggerlo. Le confusioni tipiche sono tra caratteri che in molti font si somigliano: 0 e O, 1 e l e I, 5 e S, 8 e B, e la coppia «rn», che può diventare «m». Ecco perché è nei numeri, nei nomi e nei codici che si nascondono gli errori dell’OCR, ed ecco perché meritano il controllo più attento.

Perché i risultati variano così tanto da una scansione all’altra

Lo stesso convertitore può produrre un testo quasi perfetto da una scansione e un pasticcio da un’altra. La differenza sta quasi sempre nell’immagine:

Risoluzione. 300 DPI è la raccomandazione abituale per scansionare documenti destinati all’OCR. Sotto i 200 DPI circa, i caratteri piccoli perdono i dettagli che distinguono lettere simili. Le scritte molto piccole, come le note a piè di pagina e le condizioni sul retro di un modulo, traggono vantaggio da 400 DPI o più.
Angolazione e curvatura. Una pagina fotografata di sbieco, o la pagina di un libro che si incurva verso la rilegatura, produce righe di testo non dritte. Raddrizzarle aiuta, ma le righe curve spesso escono con parole perse o fuse insieme.
Contrasto e sfondo. Carta colorata, evidenziatore, timbri sopra il testo e copie sbiadite di copie rendono più difficile separare le lettere da ciò che c’è dietro.
Compressione eccessiva. Una scansione salvata con una qualità JPEG bassa ha contorni sfocati e sbavature intorno a ogni lettera. Un’immagine in bianco e nero di qualità fax spezza i tratti sottili.
Scrittura a mano. L’OCR usato per la conversione dei documenti è pensato per il testo stampato. Le note scritte a mano e le firme di solito escono sbagliate, o restano immagini.
Lingua e impaginazione. Il riconoscimento viene addestrato per sistema di scrittura e per lingua, quindi i sistemi di scrittura meno diffusi e le pagine in più lingue sono più difficili. Più colonne, tabelle senza linee e testo sopra le immagini rendono ancora più difficile la ricostruzione dell’impaginazione.

Perché il file Word può sembrare diverso anche quando il testo è corretto

Riconoscere i caratteri è solo metà del lavoro. Un convertitore deve anche ricostruire la pagina in una forma che Word capisce, e deve scegliere un compromesso. Può scrivere il testo come normali paragrafi continui, facili da modificare ma che si allontanano dall’impaginazione originale. Oppure può fissare ogni blocco di testo nella sua posizione esatta, il che sembra corretto ma rende scomoda la modifica, perché scrivendo in un blocco il successivo non scende.

Altre differenze derivano da informazioni che la scansione semplicemente non contiene. L’OCR non può sapere quale font è stato usato, quindi Word ne riceve uno simile e gli a capo si spostano. Una tabella con linee può essere ricostruita come tabella di Word, ma una tabella senza linee può arrivare come testo separato da tabulazioni o spazi. Intestazioni, piè di pagina e numeri di pagina possono finire nel corpo del documento, e loghi, timbri e firme restano immagini.

Convertire una scansione con PDF in Word

Il nostro strumento PDF in Word esegue automaticamente l’OCR sulle pagine che ne hanno bisogno, quindi una scansione torna come file .docx con testo modificabile, e le pagine che contengono già testo vengono convertite direttamente. Il file viene inviato a un servizio di conversione di documenti, che dichiara di eliminare il file e il risultato entro tre ore. Non c’è un limite di dimensioni fisso, ma il caricamento deve terminare entro circa 40 secondi, quindi una scansione molto grande richiede una connessione veloce. Un PDF che richiede una password per aprirsi deve essere prima sbloccato.

Prima di convertire, vale la pena fare alcune cose:

Raddrizza le pagine girate di lato o capovolte ed elimina le pagine bianche. Organizza file fa entrambe le cose senza caricare il file.
Se scansioni tu stesso i fogli, usa 300 DPI in scala di grigi o a colori invece della modalità bianco e nero dello scanner, che può spezzare le lettere sottili prima ancora che l’OCR le veda.
Se ti servono solo alcune pagine, converti solo quelle. Dopo ci sarà meno da controllare.

Cosa controllare prima di fare affidamento sul risultato

L’OCR commette errori sulla maggior parte delle scansioni reali, e non avvisa quando lo fa. Prima di inviare o archiviare il documento convertito, controlla:

Ogni numero che conta. Totali, date, importi, numeri di conto e di riferimento, numeri di telefono. Confrontali con la scansione, non con ciò che sembra plausibile.
Nomi e indirizzi. Raramente sono in un dizionario, quindi nulla li corregge.
Le parole sottolineate dal controllo ortografico. Le sottolineature rosse si concentrano dove l’OCR ha indovinato male, il che fa del controllo ortografico di Word un rilevatore di errori approssimativo.
Scritte piccole e margini. Note a piè di pagina, timbri e annotazioni a margine sono il testo che più spesso va perso del tutto.
Tabelle. Assicurati che ogni valore si trovi nella riga e nella colonna giuste.

Cosa non funziona bene

Alcuni documenti deluderanno qualsiasi convertitore. Moduli compilati a mano, fax, schermate di documenti alla risoluzione dello schermo e testo che fa parte di una foto o di un diagramma di solito vanno ridigitati, dove contano.

Due dei nostri altri strumenti non leggono affatto le scansioni. PDF in Excel legge solo il testo già presente nel PDF, quindi non può estrarre una tabella da una pagina scansionata. Traduci documento rifiuta i PDF scansionati per lo stesso motivo. In entrambi i casi, puoi prima convertire la scansione con PDF in Word, controllare il testo e lavorare dal file Word: copiare una tabella in Excel, o tradurre il file .docx.

Conclusione

Convertire un PDF scansionato in Word significa fare due ipotesi di fila: quali sono le lettere e com’era costruita la pagina. Una scansione nitida, dritta, a 300 DPI rende più facili entrambe le ipotesi, e un controllo attento di numeri e nomi intercetta ciò che l’OCR sbaglia. Considera il risultato una prima bozza del testo, non una copia dell’originale, e raramente avrai brutte sorprese.

Hai una scansione da trasformare in testo? Prova il convertitore PDF in Word.

← Torna al blog