Convertitore online gratuito da PDF a TXT

Gli script, gli strumenti terminali, gli e-reader e i sistemi di archiviazione a volte accettano solo testo normale, mentre la modifica o l'indicizzazione possono richiedere contenuti privi del layout delle pagine PDF. La conversione in TXT produce un file più piccolo e ricercabile, ma rimuove la maggior parte delle informazioni visive e strutturali.

Che cos'è il formato PDF

PDF, ovvero Portable Document Format, memorizza l'aspetto delle pagine di un documento indipendentemente dal sistema operativo, dall'applicazione e dalla stampante. Può contenere testo posizionato, font incorporati, grafica vettoriale, immagini raster, annotazioni, moduli, metadati, collegamenti ipertestuali e impostazioni di sicurezza.

I programmi di elaborazione testi, i software di desktop publishing, gli scanner, i browser web e i driver di stampa creano file PDF. Fatture, manuali, articoli accademici, moduli governativi, rapporti, ebook e documenti scansionati utilizzano comunemente questo formato. PDF è progettato per riprodurre accuratamente le pagine, non per definire un ordine di lettura affidabile per il testo estratto.

Alcuni PDF limitano la copia o richiedono una password per l'apertura. Adobe Acrobat non è l'unica applicazione in grado di aprire un PDF protetto e la conversione non può legittimamente aggirare la crittografia o i controlli di accesso. Prima di estrarre contenuti soggetti a restrizioni, è necessario disporre della password o dell'autorizzazione richiesta.

Che cos'è il formato TXT

TXT è un file di testo normale contenente caratteri e interruzioni di riga, senza font, posizioni delle pagine, immagini, tabelle, colori, metadati specifici di PDF o metadati specifici di PDF. TXT non ha una singola codifica dei caratteri obbligatoria; UTF-8 è la scelta più sicura per i sistemi moderni perché supporta i caratteri Unicode e offre un'ampia compatibilità software.

Il testo normale funziona bene con gli strumenti da riga di comando, gli indici full-text, i sistemi di controllo del codice sorgente, i flussi di lavoro per l'accessibilità, gli script e gli archivi leggibili a lungo termine. Di solito è più piccolo ed evita problemi di compatibilità di font o layout, ma non può preservare il design originale della pagina.

Convertire un PDF basato su testo con pdftotext

L'utility pdftotext di Poppler è disponibile tramite i gestori di pacchetti e le build desktop per Linux, macOS e Windows. Estrae un livello di testo esistente invece di interpretare le immagini delle pagine.

1. Installare Poppler dal gestore di pacchetti del sistema operativo o da una build affidabile.
2. Aprire un terminale o il Prompt dei comandi e spostarsi nella cartella contenente il PDF.
3. Eseguire pdftotext input.pdf output.txt.
4. Aprire output.txt in un editor compatibile con UTF-8 e controllare l'ordine di lettura, le interruzioni di paragrafo, le tabelle e i caratteri speciali.

Per le colonne o le pagine in cui l'estrazione ordinaria produce un ordine di lettura insoddisfacente, provare pdftotext -layout input.pdf output.txt. Questa opzione preserva una spaziatura orizzontale approssimativa, ma può aggiungere spazi eccessivi e non garantisce l'ordine corretto delle colonne. L'alternativa pdftotext -raw input.pdf output.txt utilizza una strategia di ordinamento diversa e può funzionare meglio con alcuni file.

Normalmente Poppler scrive testo UTF-8. Se la versione installata supporta un'opzione di codifica esplicita, utilizzare pdftotext -enc UTF-8 input.pdf output.txt. Per un PDF crittografato, fornire la password autorizzata con -upw per la password dell'utente o -opw per la password del proprietario, ad esempio pdftotext -upw password input.pdf output.txt. Quando possibile, evitare di inserire le password direttamente nella cronologia della shell.

Per un PDF di piccole dimensioni con testo selezionabile, può essere sufficiente copiare il testo in un editor di testo UTF-8, ma spesso si perdono le colonne, vengono inserite interruzioni di riga indesiderate oppure vengono omessi dei contenuti. Gli editor PDF desktop possono anche fornire un comando per esportare il testo nel menu File → Export; il menu esatto e i formati disponibili dipendono dall'applicazione e dall'edizione.

Convertire un PDF scansionato con OCR

Un PDF scansionato può contenere solo immagini delle pagine, quindi pdftotext può creare un file vuoto o quasi vuoto. Eseguire prima il riconoscimento ottico dei caratteri con un'applicazione OCR come OCRmyPDF, che utilizza comunemente Tesseract:

1. Eseguire ocrmypdf --deskew --rotate-pages input.pdf searchable.pdf per aggiungere un livello di testo ricercabile e correggere i comuni problemi di allineamento delle scansioni.
2. Estrarre il livello con pdftotext searchable.pdf output.txt.

Impostare la lingua OCR quando necessario, ad esempio ocrmypdf -l eng+deu input.pdf searchable.pdf. La precisione dipende da risoluzione, carattere tipografico, contrasto, inclinazione, dati linguistici, compressione e danni alle pagine. Controllare manualmente nomi, date, numeri, punteggiatura e valori delle tabelle, perché l'OCR può confondere caratteri come 0 e O.

Convertire senza installare software

È possibile convertire il file gratuitamente su 101convert.com senza installare software. Caricare il PDF, scegliere TXT come formato di output, avviare la conversione e scaricare il risultato. Non caricare documenti riservati, soggetti a normative o con accesso limitato, a meno che le condizioni del servizio relative a privacy, conservazione ed elaborazione non siano accettabili.

Limiti di qualità e compatibilità

L'estrazione segue l'ordine interno degli oggetti di testo del PDF, che può differire dall'ordine in cui una persona legge la pagina. Intestazioni, piè di pagina, note a piè di pagina, colonne, didascalie e barre laterali possono apparire in posizioni impreviste. Esaminare l'output invece di considerarlo una trascrizione strutturalmente fedele.

TXT non dispone di un modello di celle, righe o colonne, quindi le tabelle perdono generalmente i propri limiti. Immagini, firme, disegni, file incorporati, commenti, segnalibri, collegamenti ipertestuali, font, colori e formattazione delle pagine non vengono conservati. Utilizzare un formato di tabella strutturato quando i dati devono rimanere leggibili dalle macchine come righe e colonne.

Le codifiche dei font personalizzate e i PDF che rappresentano le lettere come contorni vettoriali possono produrre caratteri errati o assenti anche quando la pagina appare leggibile. Potrebbe essere necessario utilizzare l'OCR o un'altra libreria di estrazione PDF. Conservare il PDF originale insieme al file TXT, perché la conversione è con perdita di dati e l'output in testo normale non può ricreare il layout originale.