Perché il testo estratto da un PDF esce in disordine
Hai estratto il testo da un PDF e sembra un puzzle? Il PDF nasce per essere visto, a schermo o su carta, non per essere letto come testo continuo. Ecco le cause più comuni e come le gestisce PDF to Text.
Ordine di lettura e colonne
Il testo esce nell’ordine interno del PDF, quello deciso dal programma che l’ha creato. Le pagine chiaramente impaginate su due colonne vengono lette colonna per colonna. Una rivista con box, didascalie e titoli che attraversano la pagina può però dare un ordine inatteso: il testo c’è, solo nell’ordine in cui il PDF lo conserva.
Tabelle
Ogni riga di una tabella diventa una riga di testo, con le celle separate da spazi. Le colonne non vengono mantenute e non c’è esportazione verso un foglio di calcolo. In un estratto conto, data, descrizione e importo finiscono uno dopo l’altro sulla stessa riga.
Intestazioni, piè di pagina e trattini
Intestazioni e piè di pagina fanno parte della pagina, quindi tornano nel testo a ogni pagina. Una parola divisa a fine riga mantiene il trattino: «docu-» e poi «mento» sulla riga seguente. Di solito basta un trova e sostituisci nell’editor per ripulire.
Scritture da destra a sinistra e altri sistemi
Le righe in arabo o in altre scritture da destra a sinistra escono nell’ordine di lettura. Vengono gestiti anche l’hindi (devanagari), il cinese, il giapponese, compreso quello verticale, e il testo ruotato.
Buchi: caratteri senza corrispondenza Unicode
Alcuni PDF disegnano le lettere con un font che non dice a quali caratteri Unicode corrispondono (tabella «ToUnicode» assente o difettosa). Invece di mostrarti simboli senza senso, PDF to Text lascia fuori quel testo e lo segnala con Parte del testo non è stata letta. Copiando dallo stesso PDF in altre app, di solito si ottengono caratteri illeggibili anche lì.
Pagine che sembrano piene di testo
Una pagina può sembrare piena di parole senza contenerne nessuna: testo trasformato in forme (frequente in locandine, loghi o file esportati da programmi di grafica), un’immagine scansionata, oppure una pagina vuota. Una nota in alto elenca quelle pagine e ciascuna indica il motivo.
Copia disattivata
Se l’autore ha bloccato la copia, compare Questo PDF non consente di copiarne il testo. Lo strumento rispetta questa scelta e non modifica il file.
Come procedere
- Leggi le note in alto e quelle sotto ogni Pagina N per capire cosa è successo.
- Sistema in un editor quello che si può: trattini, intestazioni ripetute, spazi delle tabelle.
- Se una pagina è solo un’immagine, consulta la guida sui PDF scansionati.