Da PDF a testo

Come estrarre il testo da un PDF

1. Trascina un file PDF nell’area di caricamento, oppure fai clic per sceglierlo. Lo strumento ne mostra il nome, il numero di pagine e la dimensione.
2. Se vuoi, indica in Pagine (facoltativo) quali pagine leggere, ad esempio 1-3, 5 oppure 8-. Lascia il campo vuoto per estrarre tutte le pagine.
3. Scegli l’Ordine di lettura: Come salvato nel file (ideale per le colonne) oppure Dall’alto in basso, da sinistra a destra.
4. Spunta o togli la spunta da Aggiungi separatori di pagina e Mantieni gli a capo.
5. Fai clic su Estrai testo. Nei documenti lunghi vedi l’avanzamento pagina per pagina; Interrompi ferma la lettura e tiene le pagine già lette.
6. Controlla il conteggio di pagine, parole, caratteri e righe, poi fai clic su Copia o Scarica .txt.

Le due caselle si possono cambiare anche dopo l’estrazione: il testo viene riformattato all’istante, senza rileggere il file.

Livello di testo o pagina scansionata?

Un PDF creato da un programma di videoscrittura, da un foglio di calcolo o con il comando «Salva come PDF» contiene un livello di testo: i caratteri veri, con il loro font e la loro posizione. Questo strumento legge quel livello con PDF.js, quindi il risultato è esatto, con accenti, legature e simboli intatti. Le lettere accentate dell’italiano (à, è, é, ì, ò, ù) vengono estratte così come sono.

Un PDF scansionato è diverso: ogni pagina è soltanto la foto di un foglio, e non c’è alcun testo da leggere. Quando una pagina selezionata non ha testo ma contiene un’immagine, lo strumento lo segnala e indica le pagine interessate. L’OCR (riconoscimento ottico dei caratteri) non è incluso: il testo delle pagine scansionate non si può estrarre qui. Le pagine senza testo né immagini vengono segnalate come bianche.

Ordine di lettura e impaginazione

Un PDF salva frammenti di testo con le loro coordinate, non paragrafi. Lo strumento ricostruisce le righe a partire dai frammenti che condividono la stessa linea di base, aggiunge uno spazio dove c’è uno stacco visibile e lascia una riga vuota dove lo spazio verticale è ampio, cosa che di solito separa i paragrafi.

• Come salvato nel file (ideale per le colonne) segue l’ordine in cui il programma di origine ha scritto il testo. Per la maggior parte dei documenti, compresi gli articoli su due colonne, è l’ordine di lettura naturale.
• Dall’alto in basso, da sinistra a destra ordina il testo in base alla posizione sulla pagina. Provalo quando la prima opzione dà un testo confuso; tieni presente che legge in orizzontale attraverso le colonne.

Con Aggiungi separatori di pagina, ogni pagina inizia con una riga come --- Pagina 3 ---, comoda per citare o verificare un passaggio.

Unire le righe in paragrafi

Con Mantieni gli a capo spuntato, ogni riga del PDF resta una riga di testo. Togli la spunta per unire in una sola le righe di ogni paragrafo: è meglio per incollare il testo in un documento o in un traduttore. Una parola spezzata da un trattino a fine riga, come «esem-» + «pio», viene ricomposta quando la riga successiva inizia con una lettera minuscola. Il limite: una parola composta che va a capo proprio sul suo trattino («socio-» + «economico») perde quel trattino, quindi rileggi i passaggi importanti.

Privacy

Il PDF viene letto dal tuo browser, sul tuo dispositivo. Né il file né il testo estratto vengono inviati a un server.