OCR PDF

Cos'è l'OCR e cosa cambia dopo averlo eseguito?

Il Riconoscimento Ottico dei Caratteri (OCR) trasforma un'immagine di testo in caratteri di testo reali che un computer può copiare, cercare e indicizzare. Un PDF «scansionato» non è altro che una pila di immagini di pagine incollate dentro un contenitore PDF; le parole che vedi sono pixel, non lettere. Dopo l'OCR, il documento ha un livello di testo invisibile posizionato sopra quei pixel (così sembra identico ma Ctrl+F funziona), oppure hai estratto il testo in un file .txt senza formattazione che puoi incollare altrove. Sopra vengono offerte entrambe le modalità.

Come funziona l'OCR in questa pagina

Usiamo Tesseract.js —la compilazione in WebAssembly del motore open source Tesseract di Google— eseguito all'interno della scheda del tuo browser. Quando fai clic su Esegui OCR:

1. Ogni pagina del tuo PDF viene rasterizzata su un canvas a 300 PPP con PDF.js.
2. I pixel del canvas vengono passati a Tesseract.js, che restituisce il testo riconosciuto più i riquadri di delimitazione per riga.
3. Per il PDF con ricerca, copiamo le tue pagine originali in un nuovo PDF e sovrapponiamo il testo riconosciuto con opacità 0: invisibile alla vista, ma selezionabile e ricercabile.
4. Per Solo testo, concateniamo il testo di ogni pagina in un unico file .txt.

Nessuna parte di questa pipeline chiama un server: PDF.js, Tesseract.js e pdf-lib vengono eseguiti lato client. L'unica richiesta di rete relativa all'OCR è il download una tantum del modello linguistico addestrato (da circa 5 a 15 MB per lingua), che il tuo browser poi memorizza nella cache per la volta successiva.

Aspettative oneste

• Testo stampato pulito a 300 PPP: di solito dal 95% al 98% di precisione per carattere. Sufficiente per cercare e per copiare/incollare con una piccola correzione.
• Bassa risoluzione (sotto i 200 PPP) o pagine fotografate: la precisione crolla; Tesseract ha bisogno di bordi delle lettere nitidi. Riscansiona a PPP più alti se puoi.
• Layout a più colonne e tabelle: il testo torna riga per riga attraverso le colonne. Non lo riorganizziamo in un ordine di lettura logico. Per le tabelle, considera PDF a Excel.
• Scrittura a mano: non supportata in modo affidabile. Tesseract è addestrato su caratteri stampati; i caratteri manoscritti tornano spesso illeggibili.
• Forte mescolanza di alfabeti: se una pagina è metà araba e metà latina, scegli quello predominante. L'OCR multi-alfabeto è possibile, ma più lento e meno preciso.

Privacy e sicurezza

L'OCR è una categoria in cui l'elaborazione nel browser è particolarmente preziosa. I documenti scansionati sono spesso tra le cose più sensibili che le persone possiedono —copie del passaporto, dichiarazioni dei redditi, contratti, cartelle cliniche, contratti di affitto— e inviarli a un server di terze parti crea una traccia che non puoi eliminare. Poiché ogni byte della pipeline viene eseguito in locale, non c'è alcun caricamento da registrare, nessun file temporaneo da requisire, nessun periodo di conservazione di cui fidarsi. Il motore OCR stesso è open source e ispezionabile.