Convertire PDF in testo
Uno strumento gratuito che estrae il testo da un PDF e lo converte in un file di testo (TXT). Il testo delle pagine che ne contengono viene estratto così com’è, e quello delle pagine scansionate viene letto con l’OCR (riconoscimento ottico dei caratteri). Il PDF viene elaborato nel browser e non viene mai caricato. L’OCR può leggere fino a 200 pagine alla volta (30 pagine sui dispositivi in cui l’elaborazione richiede più tempo). Puoi aprire PDF fino a 200 MB per file (100 MB su smartphone e tablet).
Solo se un PDF ha pagine senza testo (come le pagine scansionate) o con testo corrotto, al primo utilizzo viene scaricato da questo sito un modello di IA (circa 17 MB); le volte successive si usa la copia salvata nel browser. I PDF non vengono mai caricati su un server.
Impostazioni
Come si usa
- 1
Aggiungi i PDF
Scegli o trascina qui i PDF da convertire in testo. Puoi aggiungere più PDF alla volta. I PDF non vengono mai caricati su un server.
- 2
Scegli la lingua del documento e le interruzioni di pagina
In «Lingua del documento» scegli la lingua in cui è scritto il PDF (serve per leggere le pagine scansionate). Per convertire solo alcune pagine, inseriscile in «Intervallo di pagine». In «Interruzioni di pagina» scegli cosa inserire tra una pagina e l’altra.
- 3
Converti e salva
Premi «Avvia» per creare un file TXT con il testo del PDF. Salvalo con «Salva» oppure copialo tutto con «Copia testo». Se sono state lette pagine scansionate, puoi controllare le righe riconosciute con «Controlla il testo riconosciuto».
La conversione di PDF in testo
Il testo delle pagine che ne contengono viene estratto con PDFium, il motore PDF usato anche in Chrome, senza un modello di IA. Le pagine senza testo e quelle con testo corrotto (selezionando il testo si ottengono caratteri diversi) vengono lette con il modello di riconoscimento del testo di PaddleOCR (PP-OCRv6, Apache-2.0), che gira nel browser. Solo in quel caso, al primo utilizzo viene scaricato da questo sito il modello di IA (circa 17 MB); gli utilizzi successivi usano la copia salvata nel browser. Per i PDF in cui molte pagine hanno testo, lo strumento chiede conferma prima di scaricare il modello di IA. Sui dispositivi che non possono usare la GPU (WebGPU), l’elaborazione avviene sulla CPU e richiede più tempo che sulla GPU.
Per le pagine che hanno già un livello di testo OCR, viene estratto quel testo. Per le pagine che mescolano testo e immagini, il testo viene estratto e vengono lette le parti che non si sovrappongono al testo. Se le pagine da leggere con l’OCR sono più di quante se ne possano leggere in una volta, le pagine senza testo vengono lette dall’inizio e vengono mostrati i numeri delle pagine non lette. Il file salvato è un file di testo UTF-8 (.txt). Puoi scegliere cosa inserire tra le pagine in «Interruzioni di pagina» (per impostazione predefinita, una riga di separazione come «--- 1 / 3 ---»).
Specifiche di questo strumento
- Input
- Output
- TXT
- Limiti
- Nessun limite al numero di file (elaborazione in blocco). Fino a 200 MB per file (100 MB su smartphone e tablet). Fino a 200 pagine lette con l’OCR alla volta (30 pagine sui dispositivi che elaborano sulla CPU; vengono mostrati i numeri delle pagine oltre il limite)
- Gratis, senza registrazione, nessuna app da installare
- I file non vengono mai caricati su un server (elaborati nel browser)
Domande frequenti
Il mio PDF viene inviato a un server?
No. Apertura del PDF, estrazione del testo e lettura del testo delle pagine scansionate avvengono tutte nel browser sul tuo dispositivo. Le statistiche che ci aiutano a correggere i bug (fascia del numero di pagine, fasce di quante pagine hanno avuto il testo estratto e di quante sono state lette con l’OCR, fascia del tempo per pagina, tipi di errore e simili) vengono inviate al server di questo sito. Non includono il contenuto del PDF, il testo estratto, il testo riconosciuto, i nomi dei file, le password né gli intervalli di pagine che inserisci. Puoi disattivare le statistiche con l’interruttore «Invia le statistiche di elaborazione» in fondo alla pagina.
Può estrarre il testo da un PDF scansionato?
Sì. Le pagine senza testo e quelle con testo corrotto vengono lette con l’OCR (riconoscimento ottico dei caratteri). È pensato per testo stampato scritto in orizzontale. Legge anche pagine di testo verticale, ma con più errori rispetto al testo orizzontale, e può tralasciare la punteggiatura. Il testo scritto a mano non è supportato. Per rendere ricercabile un PDF mantenendolo come PDF, usa «OCR PDF».
Può estrarre il testo da un PDF protetto da password o con limitazioni impostate dall’autore?
Sì. Un PDF protetto da password si apre dopo aver inserito la password di apertura. Se l’autore ha limitato la copia e l’estrazione, lo strumento non estrae il testo finché non inserisci la password dei permessi. Questo strumento non tenta di indovinare le password: se non conosci la password dei permessi, chiedila a chi ha creato il PDF. Un file di testo (TXT) non può avere una password né limitazioni, quindi chiunque può aprire il file che salvi. Viene estratto anche il testo nascosto sotto annotazioni come i riquadri neri, se è ancora nel file come testo: per eliminare il testo dal file, usa «Oscura PDF».
Il testo estratto può contenere errori?
Sì. Nelle pagine lette con l’OCR, alcuni caratteri possono essere letti male o saltati a seconda della dimensione del testo, della risoluzione della scansione e di macchie o inclinazioni della carta. I numeri molto distanziati nelle tabelle vengono letti male più spesso del resto del testo. Quando come lingua del documento è scelto «Giapponese», i caratteri al di fuori dei kanji JIS di livello 1 e 2 e le emoji possono essere letti come caratteri dall’aspetto simile. Colonne e tabelle possono uscire in un ordine diverso da quello di lettura. Le pagine che hanno testo seguono l’ordine salvato nel PDF, e nelle pagine lette con l’OCR una tabella con celle lunghe può uscire una colonna alla volta. Premi «Controlla il testo riconosciuto» per vedere le righe lette con l’OCR contornate sulla pagina, con le righe che hanno più probabilità di contenere errori mostrate in un altro colore.
Aiutaci a migliorare il servizio
Se una conversione non riesce, inviarci le circostanze ci aiuta a individuarne la causa. Sapere su quali dispositivi e con quali formati si verificano più spesso errori, e quanto tempo richiede l’elaborazione, ci permette di rivedere i formati supportati e di correggere i bug che ne sono la causa. Se non ti dispiace, lasciare attiva questa opzione è di grande aiuto.
Cosa viene inviato
- Lo strumento usato e le impostazioni scelte (formato di output, qualità, ecc.)
- Le specifiche del dispositivo (GPU, memoria, numero di core)
- Il formato di input con una dimensione approssimativa
- Quanti file sono riusciti o non sono riusciti e quanto tempo è stato impiegato
- Il tipo e i dettagli dell’errore quando qualcosa non riesce
Cosa non viene mai inviato
- I file stessi e i nomi dei file
- Il testo nei PDF, il testo che hai riscritto o oscurato, le password, i nomi dei font e gli intervalli di pagine che inserisci
- Il testo riconosciuto e la posizione delle righe riconosciute
- Gli indirizzi IP
I dati vanno solo al server di questo sito, mai a un servizio di terze parti.
Per l’elenco completo, inclusi i dettagli inviati da ciascuno strumento, consulta «Statistiche di elaborazione» nell’informativa sulla privacy.
Dettagli inviati da questo strumento (solo conteggi, tempi, tipi e sì/no)
Oltre a «Cosa viene inviato», questo strumento invia i seguenti dettagli.
- Strumenti PDF (tutti)
- L’intervallo del numero di pagine, se la modifica è limitata, se è stata inserita una password dei permessi e se il PDF è firmato o crittografato.
- Da PDF a testo
- Il numero di input e di output, di pagine da cui è stato estratto il testo, pagine che avevano già un testo OCR, pagine che mescolano testo e immagini, pagine lette con l’OCR, pagine lette senza trovare testo, pagine con testo corrotto, pagine vuote, pagine riordinate come testo verticale, pagine con l’orientamento corretto, pagine non lette perché il modello di IA non è stato scaricato e pagine non lette perché superavano il numero di pagine leggibili in una volta, di righe e caratteri letti, e di aree e caratteri non letti perché sovrapposti a testo o annotazioni esistenti (tutti come intervalli), gli intervalli della percentuale di righe verticali e di righe con più probabilità di contenere errori, gli intervalli del tempo per pagina e del tempo di caricamento del modello di IA, il tipo e la versione del modello di IA e se è stato scaricato, se lo strumento ha chiesto conferma prima di scaricare il modello di IA, l’intervallo della risoluzione di rendering e se è stata abbassata, l’intervallo del numero di parti in cui un’immagine è stata divisa per trovare il testo, se il tempo stimato superava 15 minuti e se la GPU è diventata non disponibile.