L'estrazione del testo da un PDF, sia come file di testo semplice che in un documento modificabile, è una delle operazioni PDF più frequentemente necessarie. L'approccio che funziona meglio dipende dal fatto che il PDF abbia un livello di testo reale o sia un'immagine scansionata e cosa intendi fare con il testo estratto.
Il metodo più semplice: copia e incolla
Per un PDF con testo selezionabile, copiare e incollare in un editor di testo o in un elaboratore di testi è spesso l'approccio più rapido. Apri PDF, premi Ctrl+A per selezionare tutto, Ctrl+C per copiare, quindi Ctrl+V per incollare nel Blocco note, TextEdit, Word o ovunque ti serva il testo. Funziona bene per documenti brevi o quando hai semplicemente bisogno del contenuto rapidamente senza preoccuparti di preservare la struttura.
La limitazione: il copia-incolla non preserva la formattazione e per PDF a più colonne o documenti con layout complessi, il testo spesso esce nell'ordine sbagliato: le colonne vengono interlacciate, le note a piè di pagina appaiono a metà paragrafo, intestazioni e piè di pagina si mescolano nel corpo del testo. Per un semplice documento lineare questo non è un problema. Per layout complessi può rendere difficile lavorare con il testo estratto.
Prova PDF in Word
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.
Conversione in Word per una migliore struttura
Quando l'estrazione del testo deve preservare paragrafi, intestazioni e struttura di base, in modo da poter modificare il contenuto in un elaboratore di testi anziché leggerlo semplicemente come testo normale, la conversione in Word è un percorso migliore rispetto al copia-incolla. Un PDF Converter analizza la struttura del documento e tenta di ricostruire paragrafi, intestazioni, elenchi e tabelle come elementi Word appropriati anziché limitarsi a scaricare tutto il testo in ordine di lettura.
Google Docs lo fa gratuitamente: carica il PDF su Drive, aprilo con Google Docs e il testo appare con la sua struttura ragionevolmente preservata. Per una conversione più accurata di documenti complessi, gli strumenti dedicati PDF-to-Word gestiscono l'analisi del layout meglio dell'importatore integrato di Google.
Estrazione in testo semplice (.txt)
Per l'elaborazione dei dati, l'inserimento di contenuti in altri strumenti o l'archiviazione del solo contenuto testuale senza alcuna formattazione, una semplice estrazione .txt è più pulita di una conversione di Word. Adobe Acrobat (la versione a pagamento) può salvare un PDF come testo semplice tramite File → Esporta in → Testo (semplice). Acrobat Reader gratuito non può salvare in testo, ma puoi copiare tutto e incollarlo nel Blocco note, che è effettivamente lo stesso risultato.
Per l'estrazione batch o l'uso programmatico, Python con la libreria pdfplumber o PyPDF2 estrae automaticamente il testo da più PDF, il che è utile quando è necessario elaborare molti documenti. Strumenti da riga di comando come pdftotext (parte del pacchetto di utilità Poppler, disponibile su Mac tramite Homebrew e Linux tramite gestori di pacchetti) fanno la stessa cosa in modo efficiente senza scrivere alcun codice.
Scansionati PDF: prima OCR
Per i PDF scansionati senza un livello di testo, nessuno dei metodi sopra indicati funziona: non c'è testo da estrarre. La pagina viene memorizzata come immagine. L'OCR deve essere eseguito prima per riconoscere i caratteri e creare un livello di testo prima che sia possibile qualsiasi estrazione. Lo strumento OCR PDF di WukongPDF aggiunge il livello di testo al PDF; successivamente, i metodi di copia-incolla o di conversione di cui sopra funzionano normalmente sulla versione con OCR.
Open with Google Docs di Google Drive esegue anche l'OCR automaticamente sui PDF scansionati: è una delle opzioni gratuite più convenienti perché l'OCR e l'estrazione del testo avvengono in un unico passaggio, producendo un documento modificabile direttamente dalla scansione. La precisione dipende dalla qualità della scansione, come sempre.
Cosa si perde nell'estrazione del testo
Qualsiasi estrazione di testo elimina immagini, grafici, diagrammi e formattazione visiva. Le tabelle potrebbero apparire come testo separato da tabulazioni o potrebbero risultare confuse a seconda del metodo di estrazione. La notazione matematica, le formule chimiche e i simboli specializzati spesso non sopravvivono correttamente all'estrazione: possono essere omessi, sostituiti con caratteri segnaposto o visualizzati come sequenze confuse. Per i documenti in cui questi elementi contano, la conversione in Word anziché in testo semplice preserva una parte maggiore della struttura originale.
Prova PDF in Word
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.