Un contratto passato allo scanner, la foto di una pagina, un vecchio PDF fatto di sole immagini: con l’OCR le parole diventano testo da copiare e da cercare.
Come si riconosce il testo di una scansione
- Aggiungi la scansione. Un PDF fatto di immagini, oppure una o più foto in JPG, PNG o WebP: in quel caso l’ordine delle schede è l’ordine delle pagine.
- Scegli la lingua. Italiano, inglese o tutte e due: il motore conosce le parole della lingua che gli indichi, e su un testo nell’altra sbaglia di più.
- Guarda cosa si scarica. Il pannello dice quanto pesano il motore e i dati della lingua prima di scaricare qualsiasi cosa, oppure che sono già su questo dispositivo.
- Premi «Riconosci il testo». Prima arriva il motore, se manca, con la sua barra; poi le pagine si leggono una alla volta, con un’altra barra.
- Rileggi e scarica. Ottieni un file di testo e, se l’hai lasciato acceso, il PDF ricercabile. La nota sotto il risultato indica le pagine da rileggere con più attenzione.
Cosa si scarica, e perché
Per leggere le lettere in un’immagine serve un motore di riconoscimento con i dati della lingua: 2,9 MB il motore, 1,6 MB l’italiano, 2,8 MB l’inglese. Si scaricano da questo sito, una volta sola, e solo dopo che hai premuto il pulsante.
In totale sono 4,5 MB per l’italiano, 5,7 MB per l’inglese e 7,3 MB per tutte e due. Sono più di tutto il resto della pagina messo insieme, ed è il motivo per cui non arrivano con la pagina: chi passa di qui per un’altra ragione, o vuole solo leggere come funziona, non li paga. Nemmeno passare col puntatore sopra lo strumento li fa partire.
Il motore è tesseract.js, la versione per il
browser di Tesseract, un programma di riconoscimento del testo libero e usato da decenni; i dati
delle lingue sono quelli compatti, pensati per pesare poco a parità di risultato. Tutto è servito da
filesshifters.com, sotto /ocr/, insieme alle licenze: nessun altro sito
riceve una richiesta. Dopo la prima volta i file restano nella cache del browser e il pannello lo
dice; con la pagina aperta funziona anche senza connessione.
Il PDF ricercabile
È il tuo documento con sotto le parole riconosciute, invisibili, ognuna nel punto in cui si vede nell’immagine: nel lettore PDF cerchi una parola e la trovi evidenziata sulla scansione, selezioni una riga e la copi.
Le pagine non vengono ridisegnate né ricompresse: le immagini della scansione restano gli stessi byte, e allo strato di testo si aggiunge solo ciò che serve a cercarlo. Se parti da foto, ogni foto diventa una pagina grande quanto la foto, come in Da JPG a PDF; le WebP passano in PNG, senza perdita, perché un PDF non sa contenerle.
Lo strato usa il carattere standard dei PDF, che copre l’italiano e l’inglese con tutti gli accenti. Un carattere di un altro alfabeto, se il motore lo trovasse, resterebbe fuori dallo strato (la nota dice in quante parole) ma non dal file di testo.
Quanto fidarsi del risultato
Il riconoscimento sbaglia: una «l» letta come «1», un accento perso, una parola spezzata. Il motore dice quanto è sicuro di ogni parola, e la nota sotto il risultato elenca le pagine dove le parole incerte sono troppe.
Non ti diamo una percentuale di correttezza, perché il motore non sa quanto ha sbagliato: sa solo quanto è sicuro. Una pagina pulita, stampata e scansionata dritta esce quasi sempre giusta; nomi propri, numeri di conto, importi e date vanno controllati comunque, perché sono gli errori che costano di più. Le pagine di un PDF si leggono a 200 punti per pollice: abbiamo provato 150, 200 e 300 sulle stesse scansioni, e 200 sbagliava meno di 150 e quanto 300 (meno, sulla più difficile), in due terzi del tempo.
Cosa questo strumento non fa
- Non legge la scrittura a mano. Il motore è addestrato sui caratteri stampati.
- Non ricostruisce le tabelle. Le celle escono come righe di testo, nell’ordine in cui il motore le trova.
- Non legge le formule. Frazioni, indici e simboli escono come caratteri sparsi.
- Non raddrizza le pagine. Una pagina storta o fotografata di sbieco si legge male: meglio rifare la foto dall’alto, con la pagina che riempie l’inquadratura.
- Conosce solo italiano e inglese. Altre lingue con lo stesso alfabeto escono con più errori; altri alfabeti non escono.
- Non rilegge le pagine che hanno già testo. Le salta e lo dice: quel testo lo estrai, senza errori di lettura, con PDF in testo.
- Non lavora su documenti troppo grandi. Al massimo 50 pagine da riconoscere in una volta, e 40 megapixel per pagina: oltre, il pulsante resta spento e il pannello dice perché, prima di scaricare qualsiasi cosa. Un PDF lungo si divide con Dividi PDF, una foto enorme si rimpicciolisce con Ridimensiona immagini.
- Non apre un PDF protetto da password. Prima va sbloccato con Sblocca PDF, conoscendo la password.
Come verificare da solo che niente esce dal browser
Apri gli strumenti per sviluppatori del browser, scheda Rete, e aggiungi la scansione: non parte
nessuna richiesta per il riconoscimento. Quando premi il pulsante compaiono i file sotto
/ocr/, tutti da questo sito, e nessuna richiesta che porti con sé il tuo documento.
La seconda prova è staccare la rete. Dopo la prima volta, con la pagina ancora aperta, metti il computer o il telefono offline e riconosci un’altra pagina: il risultato arriva lo stesso, perché tutto ciò che serve è già nel browser.
Domande frequenti
La scansione viene caricata da qualche parte?
No. Le pagine si leggono nel tuo browser, sul tuo dispositivo, e il testo nasce lì. Dalla rete arrivano soltanto il motore e i dati della lingua, la prima volta; verso la rete non parte niente.
Perché devo scaricare qualcosa?
Perché il riconoscimento ha bisogno di un motore e dei dati della lingua, che pesano qualche megabyte. Invece di mandare il tuo file a un server che li ha già, si porta il motore da te. Si scarica una volta sola, da questo sito, e solo quando premi il pulsante.
Quanto ci mette?
Su un computer recente una pagina A4 richiede un paio di secondi, più il tempo di scaricare il motore la prima volta. Su un telefono è più lento, e con molte pagine conviene tenere lo schermo acceso; puoi annullare in qualsiasi momento.
Funziona senza connessione?
Sì, dopo la prima volta e con la pagina aperta: il motore e la lingua restano nel browser. La pagina stessa invece va aperta con la rete, perché il sito non conserva le sue pagine offline.
Che differenza c’è con PDF in testo?
PDF in testo legge il testo che un PDF contiene già, ed è esatto. Questo strumento legge le parole in un’immagine, dove il testo non c’è: serve per le scansioni e le foto, e può sbagliare.
Come faccio a verificare che sia vero?
Apri gli strumenti per sviluppatori, scheda Rete, e riconosci una pagina: vedrai i file di questa pagina, quelli del motore sotto /ocr/, le richieste del conteggio visite descritto qui in fondo, e nessuna richiesta che porti con sé il tuo documento.