Convertitore online gratuito da PDF a TEXT

Uno script, un editor di terminale, un database o un sistema di archiviazione può richiedere testo semplice anziché un PDF. La conversione crea un file .txt più piccolo e ricercabile, ma le pagine scansionate richiedono l'OCR prima che le parole possano essere estratte.

Cos'è il formato PDF

PDF (Portable Document Format) è un formato a impaginazione fissa sviluppato da Adobe per preservare dimensioni delle pagine, caratteri, posizionamento, immagini e altri elementi del documento tra diversi sistemi operativi. I programmi di videoscrittura, le applicazioni di desktop publishing, gli scanner, i browser web e le stampanti virtuali creano PDF; i software più comuni includono Adobe Acrobat, Microsoft Word, LibreOffice e macOS Preview.

Un PDF può contenere un livello di testo selezionabile, solo immagini delle pagine oppure entrambi. La sua impaginazione può includere colonne, tabelle, intestazioni, piè di pagina, etichette posizionate, caratteri incorporati, moduli, commenti e link. Il PDF viene utilizzato per contratti, fatture, manuali, report, documenti scansionati e documenti che devono mantenere il proprio aspetto visivo quando vengono condivisi o stampati.

Cos'è il formato TEXT

TEXT indica solitamente un file di testo semplice come document.txt. Memorizza caratteri e interruzioni di riga senza caratteri tipografici, colori, immagini, geometria delle pagine, tabelle, collegamenti ipertestuali o altri elementi di stile.

Il testo semplice occupa poco spazio ed è ampiamente compatibile con strumenti a riga di comando, script, database, sistemi di controllo del codice sorgente, sistemi di posta elettronica, editor di terminale, lettori di schermo e flussi di lavoro per l'elaborazione dei dati a lungo termine. È facile da cercare e modificare, ma non può conservare l'impaginazione visiva del PDF né rappresentare in modo affidabile le tabelle strutturate.

Come convertire PDF in TEXT

Utilizzo del convertitore di 101convert.com

1. Apri la pagina di conversione da PDF a TEXT su 101convert.com.
2. Carica il PDF e seleziona TEXT o TXT come formato di output.
3. Avvia la conversione e scarica il file .txt generato.

Questa opzione viene eseguita in un browser web senza installare software. Non caricare documenti riservati o soggetti a normative, a meno che le attuali condizioni sulla privacy e sulla conservazione del servizio non siano accettabili.

Utilizzo di pdftotext di Poppler

pdftotext di Poppler è una soluzione rapida e adatta agli script per i PDF che contengono testo selezionabile. Installa Poppler tramite il gestore dei pacchetti del sistema operativo, quindi esegui:

pdftotext -enc UTF-8 input.pdf output.txt

Per i documenti con colonne o tabelle semplici, prova:

pdftotext -layout input.pdf output.txt

-layout conserva una maggiore spaziatura orizzontale, ma gli spazi aggiuntivi possono rendere meno affidabile l'analisi successiva. Per estrarre solo le pagine dalla 2 alla 5, usa:

pdftotext -f 2 -l 5 input.pdf output.txt

Su Windows, esegui il comando dalla directory che contiene i file binari di Poppler oppure aggiungi tale directory a PATH. Su macOS e Linux, l'installazione tramite un gestore dei pacchetti rende normalmente disponibile pdftotext nel terminale.

Utilizzo di software desktop

In Adobe Acrobat, apri il PDF e scegli File → Export To → Text, quindi seleziona la destinazione e salva il file di testo semplice. I nomi dei menu possono variare in base alla versione di Acrobat. Alcuni altri visualizzatori di PDF offrono un'opzione per il testo semplice in File → Save As, ma molti consentono solo di salvare un nuovo PDF.

Per i PDF scansionati

Se non è possibile selezionare o copiare le parole, probabilmente il PDF contiene immagini delle pagine anziché un livello di testo. Esegui prima l'OCR con OCRmyPDF, che utilizza comunemente Tesseract:

ocrmypdf -l eng --deskew input.pdf searchable.pdf

L'opzione -l eng seleziona i dati di riconoscimento per l'inglese; usa il codice della lingua installata appropriato per un'altra lingua o per un documento multilingue. Quindi estrai il testo OCR:

pdftotext -enc UTF-8 searchable.pdf output.txt

OCRmyPDF può richiedere pacchetti separati di dati linguistici di Tesseract. L'OCR non è necessario quando il PDF originale contiene già testo selezionabile accurato.

Limitazioni relative a qualità e compatibilità

• L'estrazione del testo segue le posizioni dei caratteri memorizzate nel PDF, non necessariamente l'ordine di lettura previsto. Le pagine con più colonne, le barre laterali, le note a piè di pagina, il testo ruotato, le intestazioni e le etichette decorative possono apparire fuori sequenza.
• Le tabelle diventano solitamente righe di testo con spazi o delimitatori incoerenti. Se i dati devono rimanere strutturati, esportali in CSV o in un altro formato tabellare anziché in TXT e verifica ogni riga e colonna.
• Legature, mappature dei caratteri mancanti, codifiche insolite e PDF danneggiati possono produrre caratteri errati. Verifica nomi, numeri, simboli e testo non latino confrontandoli con la fonte.
• L'OCR può leggere erroneamente i caratteri, soprattutto nelle scansioni a bassa risoluzione, inclinate, rumorose, manoscritte o con una composizione tipografica insolita. Esamina manualmente i risultati importanti.
• Il testo semplice non conserva immagini, colori, impaginazione, link cliccabili, commenti, campi dei moduli o numeri di pagina visivi.
• I PDF protetti da password o con restrizioni sull'estrazione possono richiedere la password corretta o l'autorizzazione del proprietario prima della conversione; gli strumenti di conversione non devono essere utilizzati per eludere i controlli di accesso.