Come estrarre il testo da un PDF
- Trascina un PDF nell'area di rilascio qui sopra, oppure fai clic per selezionarlo.
- Fai clic su Estrai testo. Il testo di ogni pagina viene letto in ordine e mostrato in un riquadro di anteprima, con un indicatore come
--- Pagina 2 ---all'inizio di ogni pagina. - Copia il testo dal riquadro di anteprima oppure scaricalo come semplice file
.txt(UTF-8).
L'estrazione è eseguita nella scheda del tuo browser da pdf.js, lo stesso motore che alimenta il visualizzatore PDF integrato di Firefox. Il documento non viene caricato, quindi puoi estrarre il testo da contratti, articoli di ricerca o estratti conto in tutta sicurezza.
Come funziona l'estrazione del testo da un PDF
All'interno di un PDF ogni pagina ha un content stream: un elenco di istruzioni di disegno come «usa il font F1 a 11 punti, spostati alla posizione (72, 700), mostra questi caratteri». Il testo è quindi memorizzato come frammenti posizionati, a volte un'intera riga, a volte una singola parola o perfino singole lettere.
Per riportarlo a testo leggibile, l'estrattore:
- decodifica ogni frammento dai codici di carattere interni del font a Unicode, usando le tabelle di mappatura incorporate nel PDF;
- ordina i frammenti in base alla loro posizione sulla pagina;
- inserisce spazi e a capo dove gli intervalli tra i frammenti fanno pensare a nuove parole e nuove righe.
Poiché il PDF non ha una nozione esplicita di paragrafi o di ordine di lettura, l'output è testo semplice con a capo e non paragrafi formattati. Per la maggior parte dei documenti (lettere, relazioni, libri, articoli) il risultato si legge in modo naturale.
Limiti
| Situazione | Cosa vedrai |
|---|---|
| Pagine scansionate o fotografate | Nessun testo: la pagina è un'immagine e l'OCR non è disponibile |
| Layout su più colonne | Le colonne possono risultare intercalate riga per riga |
| Tabelle | Valori delle celle su righe, senza griglia |
| Font senza mappatura Unicode | Caratteri alterati o mancanti |
| PDF protetto da password / criptato | Il file non può essere aperto |
Una prova rapida ti dice cosa aspettarti: apri il PDF in un qualsiasi visualizzatore e prova a selezionare una frase. Se riesci a evidenziarla e copiarla, il testo si può estrarre. Se l'intera pagina si evidenzia come un unico blocco, oppure non si evidenzia nulla, si tratta di un'immagine.
Consigli
- Vuoi mantenere titoli e paragrafi invece di semplici righe? Usa PDF in Word in modalità modificabile.
- Per le cifre disposte in tabelle, PDF in Excel inserisce i valori in righe e colonne.
- Il testo semplice è ideale per indici di ricerca, strumenti di traduzione, conteggi di parole, riassuntori basati sull'IA e software di accessibilità, perché non contiene formattazione da eliminare.
Domande frequenti
Perché ricevo il messaggio «Nessun testo trovato»?
Il PDF contiene immagini di testo invece di testo vero, come accade di solito con le scansioni. Il testo di questi file si può recuperare solo con un software OCR.
Perché alcuni caratteri sono sostituiti da simboli strani?
Alcuni PDF incorporano font con codici di carattere personalizzati e senza mappatura Unicode. Il visualizzatore sa disegnare le forme, ma non c'è un modo affidabile per sapere quali lettere rappresentino.
La formattazione, come il grassetto o la dimensione del carattere, viene mantenuta?
No. L'output è testo semplice UTF-8. Ogni riga della pagina diventa una riga di testo, ma font, colori e immagini non vengono mantenuti.
Posso estrarre il testo solo da alcune pagine?
Lo strumento estrae l'intero documento. Per limitarlo, salva prima le pagine che ti servono in un file separato con Dividi PDF.
Aggiornato