- Il problema risiede solitamente in una codifica dei caratteri errata o nella mancanza di tabelle Unicode nei font incorporati nel file.
- Esistono metodi basati sulla reinterpretazione visiva del documento tramite OCR per aggirare gli strati di testo corrotti.
- La risoluzione dell'immagine e l'utilizzo di caratteri non standard influenzano direttamente l'aspetto di simboli strani o quadrati.
Perché compaiono dei simboli quando si copia del testo da un PDF? Probabilmente ti è già successo: stai lavorando con un documento PDF, selezioni un paragrafo che sembra a posto, lo incolli in Word o Blocco note e improvvisamente ti trovi di fronte a un un insieme incomprensibile di strani simboliQuadrati o caratteri che sembrano provenire da un altro pianeta. È una situazione frustrante che ci fa pensare che il file sia danneggiato, ma in realtà si tratta di un errore di comunicazione tecnica piuttosto comune.
Questo fenomeno, che a volte è noto come mojibakQuesto accade fondamentalmente perché ciò che vediamo sullo schermo non è lo stesso del codice che il computer sta cercando di copiare. Non è che il testo sia scomparso, ma piuttosto che il mappatura dei caratteri Non ha funzionato. Per fortuna, esistono molti trucchi, da semplici modifiche all'utilizzo di software specializzati, per recuperare quelle informazioni senza doverle digitare tutte a mano.
Perché mai compaiono questi simboli?
Per comprendere la soluzione, dobbiamo prima afferrare il problema. Un PDF ha due livelli: il livello visivo (i glifi) e il livello dati (la codifica). Quando si copia del testo, il sistema non "guarda" le lettere, ma legge un codice. Se il PDF utilizza un programmazione personalizzata Oppure, se non esiste una tabella Unicode standard, gli appunti non sanno quale lettera corrisponda a quel codice e inseriscono un simbolo qualsiasi.
Ci sono tre cause principali. In primo luogo, la mancata corrispondenza della codificadove i caratteri con accenti o il simbolo dell'euro vengono trasformati in spazzatura perché il lettore usa UTF-8 ma il file è stato creato in Windows-1252. In secondo luogo, il codifica sorgente erratadove il PDF ha un aspetto fantastico ma il livello di testo è un disastro totale. E in terzo luogo, il Bassa risoluzione, il che confonde il software di riconoscimento ottico dei caratteri (OCR), facendo sembrare un 5 una S o uno 0 una O.
Trucchi rapidi e soluzioni manuali
Se non vuoi installare programmi complessi, puoi provare alcuni metodi più semplici. Su Windows, un'opzione interessante è usare il Microsoft XPS Document WriterStampare il PDF come file XPS genera una versione più pulita che a volte consente di copiare il testo senza errori. D'altra parte, se il problema sono le fastidiose interruzioni di riga quando si incolla in Word, è possibile utilizzare la funzione di Cerca e sostituisci per convertire i segni di paragrafo in spazi singoli.
Per gli utenti Mac, c'è un trucco "magico" nell'applicazione Anteprima. Se esporti il PDF usando il Filtro al quarzo per ridurre le dimensioniLa compressione a volte rimuove i caratteri indesiderati e ripulisce la struttura del documento, consentendo una copia molto più fluida.
Strumenti avanzati e software di riparazione
Quando il problema è serio, abbiamo bisogno di artiglieria pesante. Adobe Acrobat Pro è lo strumento standard; ci permette di cambiare il carattere del testo converti i caratteri in un font più compatibile come Helvetica oppure incorporali correttamente fin dalla fase di produzione della stampa per evitare sostituzioni errate.
Se il file è effettivamente danneggiato, esistono programmi come EaseUS Fixo specializzati in... riparazione codifica dei caratteri e riparare i documenti danneggiati. Tuttavia, se stai cercando qualcosa di gratuito e potente, PDFgear è un'ottima alternativa che ti consente di convertire i PDF direttamente in testo semplice o di utilizzare la sua funzione per OCR integrato per estrarre le informazioni.
La potenza dell'OCR: leggi l'immagine, non il codice.
La soluzione più infallibile quando nient'altro funziona è ignorare il livello di testo e trattare il PDF come se fosse una fotografia. Questo è ciò che Riconoscimento ottico dei caratteri (OCR)Costringendo il software a leggere i glifi visivamente, si evitano eventuali errori di codifica interni.
- Forza OCR: In Acrobat, seleziona l'opzione "Immagine con testo nascosto" in modo che il motore analizzi nuovamente la pagina da zero.
- Conversione dell'immagine: Una tecnica molto efficace è quella di esportare le pagine in formato TIFF o PNG ad alta risoluzione (minimo 300 DPI) e poi elaborarle tramite OCR. Questo rimuove qualsiasi metadati corrotti.
- Utilizzo della visione artificiale: Gli strumenti moderni di modellazione della visione e del linguaggio (VLM) non analizzano più lettera per lettera, ma piuttosto comprendono il contesto semanticorisolvendo ambiguità che l'OCR tradizionale non è in grado di gestire.
Per i più esperti di tecnologia, se il testo è breve, inviate loro uno screenshot a Google Lens Si tratta di una soluzione molto rapida e gratuita che di solito funziona benissimo perché utilizza la tecnologia di riconoscimento visivo di Google.
Avere un PDF con testo illeggibile durante la copia è essenzialmente un problema di traduzione tra il font incorporato e il sistema operativo. Che si tratti di ricodificare il file, utilizzare stampanti virtuali o impiegare un potente software OCR che analizza l'immagine anziché il codice, c'è sempre un modo per recuperare i dati. La chiave è identificare se il problema risiede nel font, nella codifica dei caratteri o semplicemente nella bassa risoluzione che confonde il software. Ora sapete tutto sul perché compaiono i simboli quando si copia del testo da un PDF.
Appassionato di tecnologia fin da piccolo. Amo aggiornarmi sul settore e, soprattutto, comunicarlo. Per questo da molti anni mi dedico alla comunicazione sui siti web di tecnologia e videogiochi. Puoi trovarmi a scrivere di Android, Windows, MacOS, iOS, Nintendo o qualsiasi altro argomento correlato che ti viene in mente.