OCR spiegato: come un PDF scansionato diventa testo ricercabile

Un documento scansionato — che venga da un vero scanner o solo dalla fotocamera di un telefono — è una fotografia per un computer. Ctrl+F non trova nulla, perché lì non c'è testo da trovare, solo pixel che a un umano che li legge capita di sembrare lettere.

Cosa fa davvero l'OCR

Il riconoscimento ottico dei caratteri analizza le forme sulla pagina e prevede quali caratteri rappresentano, poi aggiunge quel testo previsto come un livello invisibile e selezionabile posizionato proprio sopra l'immagine originale. Visivamente non cambia nulla: stai ancora guardando la stessa scansione. Funzionalmente, la pagina ora ha testo reale dietro che un browser o un lettore PDF può cercare, selezionare e copiare.

Perché qui l'OCR viene eseguito interamente nel tuo browser

OCR PDF usa Tesseract.js, una build WebAssembly del motore OCR open source Tesseract, eseguito come Web Worker così da non bloccare la pagina mentre lavora. Il riconoscimento stesso avviene sul tuo dispositivo — la scansione non viene inviata da nessuna parte per essere letta.

Cosa influisce sulla precisione

• La qualità della scansione — una scansione nitida, ben illuminata e dritta viene riconosciuta molto più accuratamente di una foto da telefono sfocata o molto storta.
• La scrittura a mano — Tesseract, come la maggior parte dei motori OCR, è fatto per il testo stampato; il riconoscimento della scrittura a mano è un problema diverso e molto meno affidabile.
• Font insoliti o molto stilizzati — i caratteri decorativi o il testo a basso contrasto riducono la precisione allo stesso modo in cui metterebbero in difficoltà un umano che scorre in fretta.