Un PDF scansionato è una fotografia di un documento. Sembra testo, ma al suo interno non contiene dati testuali effettivi, bensì una matrice di pixel. La ricerca non funziona. Copia e incolla falliscono. I lettori PDF non riescono a indicizzarlo. Gli strumenti di estrazione del testo restituiscono risultati vuoti. La soluzione è il riconoscimento ottico dei caratteri (OCR): un processo che legge la struttura dei pixel su ogni pagina, identifica i caratteri e ricostruisce il testo. LuraPDF integra Tesseract, il motore OCR open source più diffuso al mondo, gestito da Google, come binario WebAssembly che viene eseguito direttamente nella scheda del browser. Il motore viene scaricato una sola volta e poi elabora il documento interamente sul dispositivo. Nessun caricamento di file, nessuna chiamata API al server, nessuna elaborazione remota. La dichiarazione dei redditi scansionata, il contratto firmato, la cartella clinica o il documento storico non lasciano mai il dispositivo.
La privacy è il motivo principale per cui si sceglie l'OCR basato su browser rispetto alle alternative basate su server. I documenti scansionati contengono informazioni particolarmente sensibili: si scansionano dichiarazioni dei redditi, cartelle cliniche, documenti legali, estratti conto bancari e documenti d'identità. Caricare questi documenti su un'API OCR cloud, anche se dotata di una politica sulla privacy, significa che il file viaggia su Internet, risiede su un server, attraversa pipeline di elaborazione e viene archiviato temporaneamente in modalità che esulano dal controllo dell'utente. L'architettura di LuraPDF elimina questo rischio a livello strutturale. Il binario Tesseract WASM viene eseguito in un Web Worker isolato all'interno del browser. L'unico dato che viene trasferito è il livello di testo OCR che viene riscritto in un PDF in memoria, interamente in locale. L'output è un PDF ricercabile in cui l'immagine della pagina originale viene preservata esattamente e viene aggiunto un livello di testo invisibile al di sotto, perfettamente allineato alle posizioni dei caratteri identificate da Tesseract.
I PDF scansionati si accumulano in ogni settore. L'OCR permette di decifrarli. Ecco i flussi di lavoro in cui l'OCR locale e privato è l'unica soluzione accettabile.
I contratti, gli atti e i documenti giudiziari firmati vengono spesso scansionati e archiviati come file PDF immagine. È possibile utilizzare la tecnologia OCR in locale per rendere ogni clausola ricercabile nel sistema di gestione documentale, senza dover caricare documenti legali riservati su un servizio cloud.
Biblioteche, archivi e ricercatori genealogici scansionano giornali storici, lettere, registri e manoscritti. Tesseract supporta font latini storici e set di caratteri non standard. Esegui l'OCR per rendere ricercabili documenti centenari senza dover trasmettere materiali storici fragili a un server di terze parti.
I documenti accademici pre-digitali, gli atti di convegni e le scansioni di riviste non sono ricercabili per impostazione predefinita. È necessario utilizzare l'OCR per abilitare la ricerca tramite Ctrl+F, l'annotazione, l'estrazione delle citazioni e l'integrazione con gli strumenti di gestione delle referenze.
Le ricevute e le fatture scansionate contengono importi, date e nomi dei fornitori, racchiusi nei pixel dell'immagine. La tecnologia OCR li converte in testo ricercabile e selezionabile, consentendo il copia-incolla in software di contabilità o l'estrazione di dati a valle.
Le cartelle cliniche preesistenti, le lettere di referto e i moduli clinici arrivano sotto forma di scansioni. Le informazioni sanitarie protette sono troppo sensibili per essere caricate su un'API OCR in cloud. Esegui l'OCR localmente per rendere i documenti ricercabili, mantenendo al contempo le informazioni sanitarie protette sul dispositivo dello studio medico.
Le pipeline di intelligence documentale che estraggono entità, classificano contenuti o riassumono documenti PDF richiedono un livello di testo per funzionare. L'OCR dei PDF scansionati localmente con Tesseract WASM genera PDF ricercabili o file di testo grezzo che alimentano i modelli NLP senza esporre i dati dei documenti ad API esterne.
Tesseract WASM nel browser combina la precisione OCR di livello professionale con la garanzia di privacy dell'elaborazione locale. Ecco cosa offre questa combinazione.
Quando si carica un PDF scansionato, pdf.js renderizza ogni pagina su una tela HTML con una risoluzione target di 200 DPI (configurabile a 300 DPI per la modalità Accuracy). I dati dell'immagine della tela vengono trasferiti tramite un SharedArrayBuffer a un Web Worker di Tesseract.js che esegue i modelli linguistici LSTM selezionati. Tesseract esegue un'analisi del layout per segmentare la pagina in regioni di testo, quindi applica la rete neurale LSTM a ciascuna regione per riconoscere le sequenze di caratteri. L'output è un elenco di parole con le relative sequenze di caratteri Unicode riconosciute e le coordinate del riquadro di delimitazione, ovvero la posizione in pixel sulla pagina in cui appare ciascuna parola.
Una volta che Tesseract ha terminato l'elaborazione di una pagina, pdf-lib utilizza il testo riconosciuto e i riquadri di delimitazione per disegnare un livello di testo invisibile sulla pagina PDF corrispondente. Ogni parola viene posizionata alle sue coordinate rilevate utilizzando `page.drawText()` con una dimensione del carattere calcolata dall'altezza del riquadro di delimitazione e un colore del testo `rgb(0, 0, 0)` con opacità zero: invisibile visivamente, ma presente nel flusso di testo del PDF. I moderni visualizzatori PDF utilizzano questo flusso di testo per operazioni di ricerca, selezione e copia . Il risultato è un PDF che appare esattamente come la scansione originale ma risponde a Ctrl+F, supporta la selezione del testo e può essere indicizzato da sistemi di gestione documentale e motori di ricerca.
| Caratteristica | LuraPDF | OCR basato su server (ilovepdf, Smallpdf) | Adobe Acrobat |
|---|---|---|---|
| Privacy | Solo browser: il file non viene mai caricato. | Documento scansionato caricato su server remoto | Locale, ma richiede un abbonamento a pagamento |
| Supporto linguistico | Oltre 100 lingue tramite Tesseract WASM | Varia — in genere meno lingue | Acrobat: molte, ma limitate competenze multilingue |
| Costo | Gratis per sempre, senza limiti di pagine. | Modello gratuito: limite di pagine o sistema di pagamento | Abbonamento Acrobat $$$ |
| È necessaria la registrazione. | Nessuno — apri la pagina ed esegui l'OCR | Per visualizzare i documenti multipagina è necessario un account. | È necessario un Adobe ID e un abbonamento. |
La qualità della scansione è il fattore più importante per la precisione dell'OCR. Questi suggerimenti ti aiuteranno a ottenere i migliori risultati con Tesseract WASM.
Seleziona la lingua corretta: la precisione di Tesseract diminuisce significativamente quando viene applicato il modello linguistico sbagliato. In caso di dubbi, seleziona più lingue plausibili e Tesseract voterà tra di esse.
Una risoluzione di scansione più elevata produce un OCR migliore: le scansioni a 300 DPI raggiungono una precisione significativamente superiore rispetto a quelle a 150 DPI o inferiori, soprattutto per i testi con caratteri piccoli e gli alfabeti non latini.
Ritaglia e ruota prima dell'OCR: utilizza gli strumenti Ritaglia PDF e Ruota PDF di LuraPDF per allineare le pagine in verticale e rimuovere i margini prima di eseguire l'OCR. Le pagine inclinate o capovolte compromettono la qualità del riconoscimento.
Per documenti di grandi dimensioni e multipagina su dispositivi mobili, è consigliabile utilizzare un browser desktop: Tesseract WASM richiede un'elevata potenza di elaborazione e i dispositivi mobili sono più lenti. Chrome o Firefox, sia su tablet che su computer desktop, offrono le migliori prestazioni.
Dopo l'OCR, utilizza PDF to Text per estrarre tutto il testo riconosciuto come file semplice da incollare in un elaboratore di testi, uno strumento di traduzione o una pipeline di dati.
Per i documenti multilingue con alfabeti misti, come un contratto legale con sezioni in inglese e arabo o un documento con testo in inglese e caratteri cinesi, è consigliabile selezionare tutte le lingue pertinenti prima di eseguire l'OCR, anziché elaborare le sezioni separatamente.
Trascina il PDF scansionato nell'area di caricamento qui sopra, seleziona la lingua del documento e lascia che Tesseract WASM renda ogni pagina ricercabile, direttamente nel tuo browser. Nessun caricamento, nessun server, nessun account, nessuna filigrana, nessun limite di pagine. I tuoi documenti fiscali, atti legali, cartelle cliniche e materiali d'archivio scansionati rimangono sul tuo dispositivo dal momento in cui li selezioni fino al momento in cui il PDF ricercabile viene salvato nella cartella dei download. Dopo l'OCR, estrai il testo completo con PDF to Text, ritagliare e ruota le scansioni con gli strumenti Crop PDF e Ruota PDF, oppure annota le pagine appena rese ricercabili con lo strumento Annotate PDF.