Per convertire un PDF scansionato in Markdown, aggiungilo a MD Factory. L'app individua le pagine che sono solo immagini di testo, riconosce il testo sul tuo PC con l'OCR integrato e salva un file Markdown accanto al PDF.
L'OCR gestisce bene le pagine stampate e pulite, ma sbaglia su quelle sbiadite, storte o scritte a mano: metti in conto di dover controllare il risultato confrontandolo con la scansione. I passaggi seguenti trattano ciò che cambia rispetto a un PDF normale: la lingua dell'OCR, lo stato «Da controllare», le tabelle, la scrittura a mano e le impostazioni dello scanner.
Converti un PDF scansionato
- Apri MD Factory.
- Fai clic su «Aggiungi file» e scegli il PDF, oppure trascinalo nella finestra. Per convertire un'intera cartella di scansioni, sottocartelle comprese, fai clic su «Aggiungi cartella».
- La conversione parte subito. Per il primo PDF, la riga mostra «Caricamento del motore PDF» prima che le pagine vengano elaborate.
- Attendi che la riga mostri il risultato: «Completato», «Da controllare» o «Fallito».
- Fai doppio clic sul percorso del risultato nella riga per aprire il file Markdown.
Il file Markdown prende il nome del PDF e viene salvato nella stessa cartella. Se le pagine contengono immagini, come foto o diagrammi, queste finiscono in una cartella accanto. Il PDF non viene modificato.
Scans/
lease-agreement.pdf
lease-agreement.md
lease-agreement_images/I PDF vengono convertiti uno dopo l'altro, mentre gli altri tipi di documento in coda vengono elaborati in parallelo. L'app legge solo file su unità locali. Se lo scanner salva in una cartella di rete, copia prima i PDF sul tuo PC.
Come l'app decide se una pagina ha bisogno dell'OCR
Una pagina ha bisogno dell'OCR quando il suo testo esiste solo come immagine. MD Factory cerca testo selezionabile in ogni PDF e sceglie una di due strade:
- Se nessuna pagina ha testo selezionabile, l'intero file viene trattato come una scansione e ogni pagina viene riconosciuta per intero con l'OCR.
- Se alcune pagine hanno testo, l'app lo mantiene così com'è e applica l'OCR solo dove il testo compare come immagine, per esempio una pagina scansionata all'interno di un report scritto al computer.
Un PDF misto non richiede preparazione. Nel nostro test, un file di tre pagine con la prima e l'ultima scritte al computer e quella centrale scansionata è diventato un unico file Markdown con il testo di tutte e tre le pagine.
MD Factory accetta le scansioni solo come file PDF. I file immagine come JPG, PNG o TIFF vengono indicati come saltati, quindi imposta l'app dello scanner per salvare in PDF.
Se il tuo PDF ha già testo selezionabile in tutte le pagine, l'OCR non entra in gioco. La guida alla conversione da PDF a Markdown si occupa di questi file.
Scegli la lingua dell'OCR
Ogni PDF parte con la lingua dell'OCR impostata su «Automatico (rilevamento script)». In questa modalità, l'app capisce quale alfabeto usa ogni pagina, ad esempio latino, cirillico, greco o arabo, e legge la pagina con un modello per quell'alfabeto. Nei nostri test su pagine di prova pulite a 300 dpi con testo in corpo 12, la modalità automatica ha letto una pagina in inglese senza errori e una in russo con meno di un carattere sbagliato su cento.
La lingua si sceglie quando un PDF termina come «Da controllare» o «Fallito»:
- Quando la coda è terminata, fai clic sullo stato nella riga del file. Si apre una finestra con l'elenco dei problemi trovati.
- Apri l'elenco «Lingua dell'OCR» e scegli la lingua del documento.
- Fai clic su «Riprova».
Non esiste un'impostazione per scegliere la lingua in anticipo. Ogni nuovo PDF parte in modalità automatica, e la lingua che hai scelto l'ultima volta risulta già selezionata quando riprovi la volta successiva.
Due lingue sulla stessa pagina funzionano in modalità automatica se condividono l'alfabeto, come l'inglese e il tedesco.
Se gli alfabeti sono diversi, la modalità automatica legge tutta la pagina come se fosse scritta in uno solo dei due. Per la maggior parte degli alfabeti, quel modello copre anche l'inglese, quindi i termini inglesi su una pagina in greco o in arabo di solito vengono riconosciuti. Il cirillico fa eccezione: nel nostro test, una pagina con testo sia in inglese sia in russo è risultata «Da controllare». Riprova con la lingua principale della pagina, poi confronta con la scansione le parole nell'altro alfabeto.
Cosa significa «Da controllare» per una scansione
«Da controllare» significa che l'app ha salvato il file Markdown, ma ha trovato un problema che vale la pena verificare. Per le scansioni, la finestra che si apre dallo stato di solito mostra uno di questi messaggi, con il numero di pagina tra parentesi:
| Messaggio | Cosa è successo | Cosa fare |
|---|---|---|
| L'OCR non è riuscito a leggere parte di questo documento. Scegli una lingua e riprova. | Le parole riconosciute in quella pagina hanno un livello di confidenza medio inferiore al 75%, oppure non è stato possibile leggere parte della pagina. | Scegli la lingua del documento e riprova. Se la lingua è già quella giusta, confronta la pagina con la scansione oppure scansionala di nuovo. |
| Una pagina non ha testo estratto. Confrontala con la fonte. | In quella pagina non è stato riconosciuto nulla. Anche le pagine bianche ricevono questo messaggio. | Guarda la pagina nel PDF. Se contiene testo, scansionala di nuovo in modo più nitido. |
Se nessuna pagina restituisce testo, il file viene segnato come «Fallito» e la finestra suggerisce di riprovare indicando esplicitamente la lingua dell'OCR.
«Completato» non significa che ogni carattere sia corretto. Il controllo guarda la media dell'intera pagina, quindi un solo carattere letto male in una pagina per il resto pulita non lo fa scattare. Nella pagina di prova pulita in russo citata sopra, il numero 1248 è diventato 124%.
Prima di fidarti del testo, confronta con la scansione ogni dato che userai: nomi, date, importi e numeri di conto o di documento.
Pagine storte, con disturbi o sbiadite
Una leggera inclinazione e qualche puntino non sono un problema. Nei nostri test, una pagina di prova inclinata di circa un grado, leggermente sfocata e coperta di puntini sottili è stata convertita come «Completato».
Una scansione scadente viene segnalata. Una pagina sfocata, poco contrastata, scansionata a bassa risoluzione e inclinata di 3,5 gradi è risultata «Da controllare».
Prima della conversione, ruota nell'app dello scanner o in un editor PDF le pagine messe di lato o capovolte. Quando una pagina risulta «Da controllare» per la qualità e non per la lingua, scansionala di nuovo con le impostazioni indicate più avanti.
Tabelle nelle pagine scansionate
MD Factory cerca le tabelle anche nelle pagine scansionate e le scrive come tabelle Markdown. Ogni cella resta comunque testo OCR, e una tabella nasconde bene gli errori: una cifra sbagliata in una colonna di numeri sembra plausibile quanto una giusta.
Confronta la tabella con la scansione riga per riga. Somma una colonna e verifica il risultato con il totale stampato. Se alcuni valori sono finiti nella riga o nella colonna sbagliata, correggili nel Markdown. La guida ai PDF contiene un esempio di ripristino di una tabella che ha perso le righe.
Scrittura a mano
MD Factory riconosce testo stampato e scritto al computer. Non è pensato per la scrittura a mano: appunti manoscritti, commenti a margine e campi compilati dei moduli possono uscire storpiati o andare persi.
Non fare affidamento sul testo convertito per nulla che sia scritto a mano. Tieni la scansione come riferimento e trascrivi tu quelle parti.
Scansiona per migliorare l'OCR
La qualità del riconoscimento dipende dall'immagine. La guida di Tesseract per migliorare la qualità dell'OCR elenca cosa rende un'immagine difficile da leggere e, per la scansione, tutto si riduce a cinque punti:
- Scansiona a 300 dpi o più. Secondo la guida, il riconoscimento funziona meglio con una risoluzione di almeno 300 dpi.
- Appoggia la pagina dritta sul vetro. Una pagina inclinata rende molto più difficile distinguere le righe di testo.
- Mantieni un'illuminazione uniforme, soprattutto quando fotografi le pagine con il telefono. Ombre e uno sfondo con zone più scure rendono più difficile distinguere il testo dalla carta.
- Chiudi il coperchio dello scanner o ritaglia i bordi. I bordi scuri intorno a una pagina scansionata possono essere letti come caratteri in più.
- Usa la copia più pulita che hai. Puntini e altri disturbi riducono la precisione.
Salva ogni documento in un PDF a sé. MD Factory crea un file Markdown per ogni PDF, quindi una pila di fogli senza relazione tra loro scansionati in un unico file diventa un'unica nota lunga.
Documenti d'identità, contratti e cartelle cliniche
Le scansioni sono spesso personali: passaporti, contratti, estratti conto, cartelle cliniche. MD Factory le riconosce sul tuo PC e non carica online né il PDF né il testo riconosciuto.
Il file Markdown viene salvato accanto alla scansione. Il testo che era chiuso in un'immagine ora è testo semplice che chiunque abbia accesso alla cartella può leggere e cercare. Se quella cartella si sincronizza con OneDrive o un altro servizio cloud, si sincronizza anche il file Markdown. La nostra guida alla conversione dei documenti senza caricarli online spiega come verificare dove si trova una cartella.
Per i documenti legali, medici e finanziari, l'originale resta la scansione. Tratta il Markdown come una copia di lavoro e confronta ogni numero con la scansione prima di prendere decisioni basate su di esso. Elimina il file Markdown e la sua cartella di immagini quando non ti servono più.