Come rendo un PDF ricercabile con Tesseract?

Converti le pagine del PDF in immagini (ad esempio con pdftoppm a 300 DPI) e poi esegui `tesseract pagina.tif output pdf`. Per un PDF multipagina reale in un solo passaggio, usa OCRmyPDF: `ocrmypdf input.pdf output.pdf`.

Perché Tesseract richiede immagini invece di PDF?

Tesseract è un motore OCR che riconosce immagini raster (TIFF, PNG, JPEG ecc.). Un PDF è un contenitore che può includere testo vettoriale o immagini scansionate, quindi le pagine devono essere rasterizzate prima della lettura.

Come applico OCR a un PDF in Python?

Usa pdf2image (che richiede poppler) per convertire le pagine in immagini, esegui pytesseract su ciascuna e combina con `image_to_pdf_or_hocr(page, extension='pdf')` e pypdf.

Quale DPI devo usare per l'OCR dei PDF?

300 DPI è il compromesso standard tra precisione e velocità. Usa 600 DPI per font piccoli o archiviazione e evita sotto i 200 DPI, dove la precisione cala molto.

Perché il PDF di output è vuoto o senza testo?

Le cause comuni sono l'assenza del livello di testo (l'OCR non è stato eseguito), la lingua errata o un'immagine scansionata a risoluzione troppo bassa. Verifica il successo dello strumento e cerca una parola nota nel PDF.

Tesseract OCR per PDF — Estrarre testo e creare PDF ricercabili

In breve (un comando)

Per un PDF multipagina reale, OCRmyPDF è la via più rapida.

bash

pip install ocrmypdf      # oppure: apt install ocrmypdf
ocrmypdf input.pdf output.pdf

Niente OCRmyPDF? Rasterizza e usa la CLI di Tesseract direttamente — vedi sotto.

Perché i PDF devono essere rasterizzati

Tesseract riconosce immagini, non contenitori PDF.

Un PDF è un contenitore: può includere testo vettoriale, font incorporati o immagini di pagine scansionate. Tesseract legge immagini raster (TIFF, PNG, JPEG, WebP…), quindi le pagine devono prima essere convertite in immagini. Scegli il rasterizzatore in base a ciò che hai installato:

Strumento	Installazione	Note
`pdftoppm` (poppler)	`apt install poppler-utils`	Veloce, scriptabile, la scelta classica
`pdftocairo` (poppler)	poppler-utils	Simile a pdftoppm, output Cairo
ImageMagick	`apt install imagemagick`	`convert -density 300 in.pdf out.tif`
PyMuPDF	`pip install pymupdf`	Python puro, senza binari esterni
pdf2image	`pip install pdf2image`	Wrapper Python su poppler

bash

# PDF -> un PNG per pagina a 300 DPI
pdftoppm -png -r 300 input.pdf pagina

Il DPI è il più importante: 300 DPI è il compromesso standard; 600 DPI per font piccoli o archiviazione; evita sotto i 200 DPI.

Creare un PDF ricercabile con la CLI di Tesseract

Un'immagine diventa una pagina PDF ricercabile con la configurazione di output pdf.

bash

# Immagine -> PDF ricercabile
tesseract pagina-1.png output pdf

# Solo livello di testo (senza immagine visibile)
tesseract scansione.png output textonly_pdf

# Più pagine in un PDF: passa una lista di immagini
tesseract listaimmagini.txt output pdf

Per un PDF multipagina, metti ogni percorso immagine su una riga in listaimmagini.txt. Riferimento completo dei formati: documentazione.

Metodo B — OCRmyPDF (consigliato per PDF reali)

OCRmyPDF gestisce rasterizzazione, OCR, raddrizzamento, rotazione e livello di testo invisibile in un comando.

bash

ocrmypdf input.pdf output.pdf                    # base
ocrmypdf -l eng+ita input.pdf output.pdf         # lingue
ocrmypdf --deskew --rotate-pages input.pdf output.pdf
ocrmypdf --optimize 2 input.pdf output.pdf       # riduce il file
ocrmypdf --skip-text input.pdf output.pdf        # mantiene le pagine con testo

OCRmyPDF usa Tesseract e richiede Ghostscript e gli strumenti poppler. Opzioni utili: --force-ocr, --redo-ocr, --pages 1-10.

Metodo C — pdfsandwich

Un wrapper più leggero che aggiunge un livello di testo e applica preprocessamento come il raddrizzamento.

bash

pdfsandwich scansione.pdf          # genera scansione_ocr.pdf
pdfsandwich -lang eng+ita scansione.pdf

Metodo D — Python end-to-end

Usa pdf2image per rasterizzare e pytesseract per costruire il PDF ricercabile, poi unisci con pypdf.

pdf.py

import io, pytesseract
from pdf2image import convert_from_path
from pypdf import PdfWriter, PdfReader

pages = convert_from_path("input.pdf", dpi=300)   # richiede poppler
writer = PdfWriter()
for page in pages:
    pdf_bytes = pytesseract.image_to_pdf_or_hocr(page, extension="pdf", lang="ita")
    writer.add_page(PdfReader(io.BytesIO(pdf_bytes)).pages[0])
with open("output.pdf", "wb") as f:
    writer.write(f)

Su Windows, passa la cartella bin di poppler con poppler_path=. Più dettagli nella guida pytesseract.

Quale metodo usare?

Metodo	Ideale per	Configurazione	Multipagina
OCRmyPDF	PDF reali, automazione	Ghostscript + poppler	Sì, in un comando
pdfsandwich	Livello di testo rapido con preprocessamento	poppler + ImageMagick	Sì
CLI di Tesseract	Immagini o liste di immagini	Solo Tesseract	Con una lista di immagini
Python (pdf2image)	Pipeline e logica personalizzata	poppler + pytesseract	Ciclo e unione

Fedeltà del layout e sovrapposizione del testo

Perché i PDF ricercabili a volte sembrano disallineati e come mantenere la geometria.

Il livello di testo invisibile è posizionato usando i riquadri delle parole dell'OCR; con un DPI errato la sovrapposizione può spostarsi.
Usa l'output hOCR o ALTO quando servono coordinate esatte per evidenziazione o archiviazione.
pdftoppm -r 300 e la stessa dimensione di pagina mantengono la sovrapposizione allineata.
Per layout complessi, preferisci OCRmyPDF, che conserva l'immagine originale e aggiunge il livello sul posto.

Qualità e prestazioni

DPI: 300 standard, 600 per font piccoli o archiviazione.
Intervalli di pagine: elabora solo il necessario (--pages in OCRmyPDF).
Parallelismo: OCR delle pagine in parallelo e poi unione.
Dimensione: --optimize / compressione JPEG, o riduci il DPI dopo l'OCR.
Preprocessamento: raddrizza e riduci il rumore prima dell'OCR.

Risoluzione dei problemi

Sintomo	Causa	Soluzione
`Unable to get page count. Is poppler installed?`	pdf2image non trova poppler	Installa poppler-utils o imposta `poppler_path` su Windows.
Il PDF di output non ha testo ricercabile	L'OCR non è stato eseguito o lingua errata	Verifica il successo e imposta `-l`/`--language` sulla lingua del documento.
La sovrapposizione del testo è disallineata	DPI o dimensione pagina errati	Rasterizza a 300 DPI con la dimensione originale.
Il file di output è enorme	Immagini senza perdita a 600 DPI	Usa `--optimize` / JPEG, o riduci il DPI.
Un PDF protetto da password fallisce	Input cifrato	Decifra prima o passa la password se lo strumento lo supporta.

FAQ PDF

Come rendo un PDF ricercabile?

Usa ocrmypdf input.pdf output.pdf, oppure rasterizza le pagine ed esegui tesseract pagina.tif output pdf.

Perché Tesseract non legge un PDF direttamente?

Tesseract riconosce immagini raster, quindi le pagine del PDF devono prima essere convertite in immagini.

Quale DPI devo usare?

300 DPI per la maggior parte dei documenti; 600 DPI per font piccoli o archiviazione.

Posso applicare OCR a un PDF in Python?

Sì — usa pdf2image con poppler e pytesseract.image_to_pdf_or_hocr, poi unisci le pagine con pypdf.

Come mantengo il layout preciso?

Usa la stessa dimensione e DPI originali e preferisci OCRmyPDF, che conserva l'immagine e aggiunge il livello di testo sopra.

In breve (un comando)

Perché i PDF devono essere rasterizzati

Creare un PDF ricercabile con la CLI di Tesseract

Metodo B — OCRmyPDF (consigliato per PDF reali)

Metodo C — pdfsandwich

Metodo D — Python end-to-end

Quale metodo usare?

Fedeltà del layout e sovrapposizione del testo

Qualità e prestazioni

Risoluzione dei problemi

FAQ PDF

Passi successivi