Come eseguire l'OCR su un PDF scansionato e renderlo ricercabile

Un PDF scansionato è un'immagine, non testo: non puoi cercare, selezionare né copiare il suo contenuto. Questa guida mostra le due vie locali di pdfmcp: applicare OCR per ottenere un PDF ricercabile, o applicare OCR per ottenere testo semplice, tutto sul tuo dispositivo, con le impostazioni che contano davvero.

Perché un PDF scansionato non ha testo

Uno scanner salva una fotografia di ogni pagina. Le parole sono pixel dentro un'immagine, non caratteri, quindi la ricerca non trova nulla, selezionare il testo non seleziona nulla e non c'è nulla da copiare. L'OCR (riconoscimento ottico dei caratteri) lo risolve: legge l'immagine di ogni pagina e deduce quali caratteri formano i pixel.

pdfmcp usa Tesseract per questo. Ci sono due operazioni di OCR, e ognuna risponde a un'esigenza diversa. ocr_pdf ti restituisce un PDF con lo stesso aspetto, ma con uno strato di testo invisibile, così il documento stesso diventa ricercabile e selezionabile. ocr_to_text ti restituisce solo le parole, come testo semplice. Entrambe girano localmente.

Scegli la via: PDF ricercabile o solo testo

Scegli ocr_pdf quando il documento deve restare un documento: un contratto, un rapporto o un archivio che altri apriranno, consulteranno e citeranno. Gira localmente con il pacchetto pdfmcp, perché creare un PDF ricercabile pulito richiede macchinari pesanti. Le pagine che hanno già uno strato di testo passano invariate e vengono segnalate come saltate, quindi eseguirlo su un documento misto è sicuro.

Scegli ocr_to_text quando ti servono solo le parole: da incollare in una nota, passare a uno script o leggere cosa dice una scansione. Sul sito gira sul tuo dispositivo, nel tuo browser, e il tuo file non viene mai caricato; nota che la versione web sul dispositivo include solo l'inglese. La stessa operazione con il pacchetto locale può configurare la lingua.

Creare un PDF ricercabile, passo passo

1) Installa il pacchetto pdfmcp una sola volta (vedi la pagina MCP). 2) Esegui l'operazione ocr_pdf sul tuo file, con il pacchetto locale, un agente collegato via MCP locale o il tuo codice. 3) Apri il risultato e verificalo: cerca una parola che puoi vedere sulla pagina. Se la ricerca la trova e la evidenzia nel punto giusto, lo strato di testo è a posto.

Se lavori tramite un agente IA, gli stessi passi si riducono a un'unica richiesta: collega il server MCP locale una volta (vedi le guide di configurazione), poi chiedi all'agente di applicare l'OCR al file. Tutto avviene sulla tua macchina.

Le impostazioni che contano: lingua, DPI e pagine

La lingua è l'impostazione su cui le persone sbagliano di più. Il valore predefinito è eng (inglese). Per altre lingue, imposta il parametro lingua con un codice lingua di Tesseract, o combina codici: eng+deu per un documento che mescola inglese e tedesco, per esempio. I dati linguistici vengono scaricati una sola volta al primo uso e restano sulla tua macchina. Scegliere la lingua in cui il documento è davvero scritto conta molto più di qualsiasi altra impostazione.

DPI ha un valore predefinito di 300 e può essere impostato tra 150 e 600: è la risoluzione a cui ogni pagina viene renderizzata prima del riconoscimento. Lascialo a 300 per le scansioni normali; un valore più alto può aiutare con i caratteri piccoli, al costo di un lavoro più lento sulla tua macchina. Infine, il parametro pagine limita il lavoro alle pagine che indichi (1-3,5,8, per esempio), che è il modo più rapido di provare le tue impostazioni su poche pagine prima di elaborare un documento lungo.

Limiti, privacy e i limiti onesti

In pratica ti limita il tuo dispositivo: memoria e velocità, e nel browser file fino a circa 100 MB e 500 pagine. I documenti molto lunghi richiedono il tempo che richiede la tua macchina; dividere una scansione enorme in parti resta una buona idea.

La privacy segue le regole di pdfmcp, senza alcuna affermazione più forte di quella che fa il sito stesso: tutto gira localmente, il tuo file non viene mai caricato, mai conservato su nessun server e mai usato per addestrare IA. E il limite onesto: l'OCR legge testo stampato da una scansione ragionevolmente nitida. La scrittura a mano, le scansioni a contrasto molto basso e le pagine danneggiate produrranno errori: il risultato è uno strato di testo al meglio delle possibilità, non una trascrizione certificata, quindi verifica nomi e numeri importanti sull'immagine della pagina.

Provalo gratis nel tuo browser

Domande frequenti

L'OCR è gratuito in pdfmcp?

Sì, gratis per sempre. Lo strumento di OCR verso testo sul dispositivo è gratuito e non richiede alcun account. L'OCR completo con il pacchetto locale è anch'esso gratuito, senza chiave e senza quota giornaliera. Non c'è nessun piano a pagamento.

L'OCR cambierà l'aspetto del mio PDF?

ocr_pdf aggiunge uno strato di testo invisibile; le immagini delle pagine restano com'erano. Le pagine che hanno già testo passano invariate e vengono segnalate come saltate.

Quali lingue può leggere l'OCR?

Con il pacchetto locale, imposta il parametro lingua con un codice lingua di Tesseract (eng predefinito; combinazioni come eng+deu funzionano): i dati linguistici vengono scaricati una sola volta al primo uso. Lo strumento web di OCR verso testo sul dispositivo include solo l'inglese.

Perché la mia scansione grande richiede tempo?

L'OCR è un lavoro pesante e gira sulla tua macchina, quindi una scansione molto lunga richiede il tempo che richiede il tuo computer. Dividi il documento in parti più piccole e applica l'OCR a quelle parti, o, se il file ha già uno strato di testo, estrai quel testo con pdf_to_text.

L'OCR funziona con la scrittura a mano?

È pensato per il testo stampato. La scrittura a mano e le scansioni di scarsa qualità possono produrre errori, quindi verifica i dettagli critici sull'immagine originale della pagina.

Pubblicato originariamente su https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/