Estrarre testo da un PDF
Leggere direttamente il livello di testo di un PDF e usare l’OCR sulle pagine che ne sono prive.
Aggiungere un PDF e scegliere un intervallo di pagine. Per ogni pagina si verifica la presenza di un livello di testo: se c’è, il testo viene estratto senza OCR; altrimenti la pagina viene resa come immagine e riconosciuta.
Lasciando vuoto l’intervallo si elaborano tutte le pagine. È possibile combinare intervalli e pagine singole, ad esempio 1-3,5. La numerazione parte da 1 e deve rientrare nel numero di pagine del documento.
Modificare i risultati delle pagine, poi copiare o salvare come TXT tutte le pagine o quella selezionata. L’ordine del livello di testo e le informazioni sui font possono influire su spaziatura e ordine di lettura. Lo strumento non ricostruisce la struttura delle tabelle.
Come si usa
- Selezionare un PDF e controllare il numero di pagine.
- Se si vuole, inserire un intervallo come 1-3,5 e avviare l’estrazione.
- Rivedere ogni pagina e scegliere quali risultati copiare.
Inizia con queste impostazioni →
Cosa controllare
La modalità OCR selezionata non si applica alle pagine con livello di testo. Al momento non esiste un’opzione per ignorare quel livello e forzare l’OCR.
Domande frequenti
I PDF di testo richiedono un modello?
Le pagine con livello di testo vengono estratte direttamente con pdfjs-dist. Le pagine senza livello richiedono un motore OCR e i dati della lingua selezionata.
Posso lasciare vuoto l’intervallo di pagine?
Sì. Un intervallo vuoto significa tutte le pagine. Un intervallo non valido viene segnalato prima dell’avvio.
Un PDF può mescolare pagine scansionate e pagine di testo?
Il livello di testo viene verificato pagina per pagina. Solo le pagine che ne sono prive passano dall’OCR.