Un PDF assemblato da più fonti spesso contiene un mix di pagine di immagini scansionate e pagine di testo create digitalmente. Le prime dieci pagine sono testo digitale nitido proveniente dall'esportazione di un report. Le cinque successive sono immagini scansionate di appunti scritti a mano. L'appendice è un mix di entrambi. This hybrid document creates processing challenges: OCR only works on the scanned pages, compression settings that are right for digital text are wrong for scanned images, and search tools find content on some pages but not others.
Gestire bene i PDF misti significa trattare ogni tipo di pagina in modo appropriato senza dividere il documento in file separati. This guide covers how to identify which pages need which treatment, how to apply operations selectively, and how to produce a unified output that is searchable, reasonably sized, and consistent in appearance.
According to a 2024 analysis by the document management company M-Files, mixed scanned-and-digital PDFs account for approximately 22 percent of all PDFs in corporate document repositories (M-Files, "Enterprise Document Composition Analysis," 2024). Il formato ibrido è comune perché i documenti vengono assemblati da diverse fonti. La sfida di elaborazione è standard.
Identificare quali pagine sono quali
Il modo più veloce per identificare le pagine scansionate è provare a selezionare il testo. Apri il PDF e trascina il cursore sul testo di una pagina. If the text highlights and you can copy it, the page is digital. Se non è possibile selezionare singole parole e il cursore seleziona l'intera pagina come immagine, la pagina viene digitalizzata. Scorri il documento pagina per pagina e annota quali pagine vengono scansionate. Questo richiede un minuto per un documento tipico e ti dice esattamente quali pagine necessitano dell'OCR.
Per i documenti con molte pagine, un metodo più rapido consiste nel cercare una parola comune come o e. I risultati della ricerca corrisponderanno solo sulle pagine digitali. Le pagine senza corrispondenze sono quelle scansionate. Il passaggio di identificazione PDF scansionato è essenziale perché applicare un'elaborazione errata a un tipo di pagina produce risultati errati. La compressione eccessiva delle pagine scansionate rende il testo illeggibile. Non eseguire l'OCR rende il contenuto invisibile alla ricerca.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.
OCR selettivo: elaborazione solo delle pagine scansionate
L'esecuzione dell'OCR su pagine digitali è uno spreco e può effettivamente peggiorare la qualità aggiungendo un secondo livello di testo che potrebbe entrare in conflitto con l'originale. L'approccio giusto è eseguire l'OCR solo sulle pagine scansionate lasciando intatte le pagine digitali. Alcuni strumenti OCR basati su browser supportano la selezione della pagina, consentendo di specificare un intervallo di pagine o selezionare singole pagine per l'elaborazione OCR.
If your tool does not support selective OCR, split the PDF into scanned and digital sections, OCR only the scanned sections, then merge everything back together. I passaggi aggiuntivi di divisione e unione aggiungono alcuni minuti al flusso di lavoro ma producono un risultato migliore rispetto all'esecuzione indiscriminata dell'OCR. Gli strumenti OCR PDF di WukongPDF e la funzionalità di unione supportano questo approccio selettivo.
Strategie di compressione per documenti misti
Una singola impostazione di compressione applicata a un documento misto produce risultati non uniformi. The setting that is right for scanned images, typically moderate compression to preserve text legibility, is too conservative for digital text pages, which can be compressed more aggressively with no visible quality loss. L'impostazione corretta per il testo digitale rende illeggibili le pagine scansionate.
The solution is the same split-process-merge strategy: separate the scanned and digital sections, compress each with settings appropriate to its content type, and recombine. The PDF Tools workflow for mixed documents is more steps than processing a uniform document, but the output quality justifies the extra effort. Un documento misto elaborato con impostazioni uniformi avrà pagine digitali gonfie o pagine scansionate illeggibili.
Quando arrendersi e tenerli separati
Per alcuni documenti misti, l'approccio suddivisione-processo-unione produce un risultato tecnicamente corretto ma visivamente incoerente. Le pagine scansionate e le pagine digitali elaborate in modo diverso appariranno diverse nel documento finale. Se la coerenza visiva è più importante che avere un singolo file, mantieni le sezioni scansionate e digitali come PDF separati. Il destinatario riceve due file che sembrano coerenti anziché un file che sembra non corrispondente. La decisione Strumenti PDF è pratica, non dogmatica.
Prova l'OCR dei PDF
Nessuna installazione necessaria. Funziona direttamente nel tuo browser.