Convertire PDF in TXT

Il testo, senza il resto. Serve per cercare dentro un documento con `grep`, per contare le parole, per dare un contratto in pasto a uno script, per incollare un capitolo in un editor senza portarsi dietro font e margini. Il PDF è un formato di stampa e questa conversione lo smonta fino a lasciare le sole parole.

Chi vuole invece che il documento resti modificabile con l’impaginazione intatta sta cercando un’altra cosa, e il DOCX è la destinazione più vicina a quel desiderio — con tutti i limiti del caso. Un TXT non conserva nulla della forma, e questo è il punto, non un difetto.

Vale la pena sapere che cosa c’è dentro il file, perché spiega tutto il resto. Un PDF non contiene paragrafi: contiene istruzioni di disegno. «Metti questi caratteri con questo font a queste coordinate.» Le parole ci sono davvero, come sequenze di codici, ma la struttura che le teneva insieme — questa è una frase, questo è un titolo, questa è la colonna di sinistra — è stata buttata via nel momento in cui il documento è stato stampato su carta virtuale.

L’estrazione ricostruisce quella struttura dalle posizioni. Ordina i frammenti da sinistra a destra e dall’alto in basso, decide dove finisce una riga guardando i salti verticali e dove finisce una parola guardando gli spazi orizzontali. Su un documento a colonna singola funziona quasi sempre. Le eccezioni sono prevedibili e sono nella sezione qui sotto.

Un PDF che nasce da una scansione non contiene testo. Contiene una fotografia di una pagina, e per il file quella pagina è un’immagine come un’altra. Nessun estrattore può ricavarne parole, perché non ce ne sono: c’è un rettangolo di pixel che a un occhio umano sembra scrittura.

Il test dura tre secondi e si fa prima di convertire. Aprite il PDF, provate a selezionare una riga con il mouse. Se il testo si evidenzia parola per parola, c’è del testo e questa pagina funziona. Se si evidenzia un rettangolo azzurro su tutta l’area, è un’immagine e vi serve l’OCR — che è uno strumento diverso, disponibile su questo sito, e che indovina i caratteri invece di leggerli.

Il caso in cui l’estrazione produce un risultato illeggibile è quasi sempre lo stesso: la pagina aveva più di una colonna. Un articolo scientifico su due colonne, un pieghevole, una rivista impaginata. L’ordine di lettura corretto è tutta la colonna di sinistra e poi tutta la destra; l’ordine geometrico è riga per riga attraverso entrambe. Il risultato alterna mezza frase di sinistra e mezza di destra.

Le tabelle si rompono per la stessa ragione. Le celle diventano una sequenza di valori senza le linee che dicevano quale apparteneva a quale colonna, e su una tabella larga il risultato non è ricostruibile a occhio. Se quello che vi serve sono i dati di una tabella e non la prosa attorno, un TXT è la strada sbagliata: conviene copiare la tabella dal visualizzatore di PDF direttamente in un foglio di calcolo, che almeno tenta di conservare la griglia.

Un PDF ben fatto associa a ogni glifo il carattere Unicode che rappresenta, e allora l’estrazione è fedele. Quando quella mappa manca o è sbagliata — succede con font incorporati male, e con parecchi PDF generati da LaTeX vecchio — l’estrazione restituisce caratteri che sullo schermo erano corretti e nel testo non lo sono.

I sintomi da riconoscere: le legature `fi` e `fl` che diventano un simbolo strano o spariscono, virgolette tipografiche che diventano punti interrogativi, e in italiano le vocali accentate a fine parola che si perdono. Se vedete «perche» e «citta» dove il PDF mostrava «perché» e «città», il problema è nel file di partenza e non nella conversione. Non c’è un rimedio da questo lato: il documento va rigenerato con i font incorporati correttamente.

Grassetto, corsivo, dimensioni dei caratteri, colori, immagini, tabelle come tabelle, note a piè di pagina come note, collegamenti, segnalibri, campi modulo, commenti e firme. Un TXT è testo semplice: non ha un posto dove mettere nessuna di queste cose.

Anche l’ordine dei paragrafi va guardato con un minimo di sospetto. Intestazioni e piè di pagina finiscono nel flusso, quindi il numero di pagina e il titolo corrente compaiono in mezzo al testo a ogni cambio di pagina. Su un documento lungo conviene togliere quelle righe con un passaggio automatico, perché sono regolari e si riconoscono facilmente.

Guardate che PDF si estraggono davvero: contratti, referti, buste paga, atti, bilanci, corrispondenza con un avvocato. È esattamente la categoria di documenti che non andrebbe caricata su un servizio anonimo trovato fra i risultati di ricerca, ed è quello che fa la maggior parte dei convertitori di PDF.

Qui l’estrazione avviene dentro il vostro browser. La libreria che legge il PDF è JavaScript che questa pagina ha già scaricato, il file viene aperto dal vostro disco nella vostra scheda e il testo viene scritto in memoria. Non parte nessuna richiesta che contenga il documento, e potete verificarlo invece di fidarvi: strumenti di sviluppo, scheda di rete, convertite qualcosa e guardate.

Ci sono due cose diverse chiamate entrambe «PDF protetto». La prima è la password di apertura: senza di essa il file è cifrato e nessuno strumento può leggerlo, questa pagina compresa. Serve la password, e se non ce l’avete la conversione non è il vostro problema.

La seconda è il permesso di estrazione, un flag dentro un file per il resto leggibile che chiede alle applicazioni di non permettere il copia-incolla. È una richiesta, non una cifratura: il testo è in chiaro nel file. Il fatto che sia tecnicamente aggirabile non vi dice se avete il diritto di farlo, e quella è una domanda sul documento e non sullo strumento.

Il TXT prodotto è UTF-8, che è ciò che ogni editor e ogni linguaggio moderni si aspettano. Le vocali accentate, i simboli di valuta e la punteggiatura tipografica restano quello che erano.

Se il vostro passaggio successivo è uno strumento vecchio che si aspetta Windows-1252 o Latin-1, la conversione va fatta lì e va fatta sapendo che cosa si perde: qualsiasi carattere fuori da quella tabella diventa un punto interrogativo, definitivamente. Vale la pena controllarlo su un documento italiano, dove il rischio è basso ma non nullo, e su un documento che contiene nomi stranieri, dove è alto.

Potete trascinare quanti PDF volete. Ognuno diventa il proprio TXT e tornano dentro uno ZIP, con i nomi originali e l’estensione cambiata.

Non vengono concatenati in un unico file, perché l’ordine sarebbe una decisione presa da noi al posto vostro e sull’ordine dei documenti nessuno indovina. Se vi serve un file solo, unirli dopo è un comando, ed è un comando in cui l’ordine lo scegliete voi.