Estrarre dati da un PDF scansionato male: dove l'OCR tocca il suo limite

Prima di dare in pasto una scansione pessima a un OCR, misurala. Una pagina A4 scansionata a 300 DPI occupa circa 2.480 × 3.507 pixel. A 150 DPI, circa 1.240 × 1.754. La guida di AWS per Textract chiede un'immagine di qualità, idealmente di almeno 150 DPI. Sotto quella soglia non stai più facendo OCR: stai scommettendo. La versione da tre secondi: apri il PDF, porta lo zoom al 100% e prova a leggere i centesimi del totale. Se non ci riesci tu, non ci riesce nemmeno il modello.

La seconda cosa da sapere è che la modalità di errore è cambiata. Il vecchio OCR restituiva spazzatura evidente: `F4TTUR4 N¤`. L'estrazione con IA restituisce un numero di fattura pulito, plausibile e semplicemente assente dalla pagina. Il benchmark KIE-HVQA, costruito con documenti d'identità, scontrini e fatture degradati con mosso e basso contrasto, rileva che i modelli multimodali "non percepiscono la degradazione visiva, il che porta ad allucinazioni"; il modello da 7B messo a punto dagli autori guadagna 22 punti percentuali di accuratezza senza allucinazioni rispetto a GPT-4o su quel set. Un altro lavoro sugli input degradati lo dice uguale: testo "fluente ma sbagliato, senza segnalare incertezza". La domanda utile quindi non è *quale OCR regge meglio le scansioni brutte*, ma *questo file è sopra o sotto la soglia, e quali campi controllo a mano*.

Il controllo da 30 secondi

Fallo prima di caricare qualsiasi cosa. Non costa nulla e ti evita il viaggio a vuoto.

1. C'è un livello di testo? Premi Ctrl+F e cerca una parola che vedi a schermo. Se la trova, il PDF è digitale, non scansionato: non serve OCR, e qualsiasi strumento che lo ri-processa sta peggiorando i tuoi dati.

2. Guarda le dimensioni in pixel. Esporta una pagina come immagine o controlla le proprietà del documento. Un A4 misura 21 × 29,7 cm (8,27 × 11,69 pollici), quindi:

300 DPI → ~2.480 × 3.507 px (comodo)
200 DPI → ~1.654 × 2.339 px (accettabile con stampa pulita da 10pt in su)
150 DPI → ~1.240 × 1.754 px (la soglia minima)
sotto → aspettati errori di carattere che non vedrai

3. La prova del carattere più piccolo. Al 100% di zoom, cerca la cosa più piccola che ti serve davvero: i centesimi, la partita IVA, il codice di riferimento a piè di pagina. Se la leggi tu al 100%, quasi certamente la legge anche il motore.

4. Geometria. Ci sono tutti e quattro gli angoli del foglio? Il testo è dritto e non ruotato? L'estrazione delle tabelle presuppone testo dritto: una foto storta trasforma una tabella pulita in righe mescolate.

5. Contrasto. Scontrini termici sbiaditi, fotocopie di terza generazione e fax grigio su grigio falliscono per un motivo che la risoluzione non risolve: i caratteri non si staccano dallo sfondo a nessun ingrandimento.

Perché ricorre sempre il numero 300 DPI

300 DPI è il riferimento standard nelle linee guida di digitalizzazione delle biblioteche ed è lo stesso valore consigliato dai produttori di scanner, con un'avvertenza: sotto i 10pt conviene salire a 400 DPI. Passare a 600 DPI aggiunge pochissimo sulla stampa normale e quadruplica il peso del file. L'obiettivo pratico è 300 DPI, scala di grigi, scanner piano per tutto ciò da cui vuoi ricavare dati strutturati.

Nota la distanza tra i due numeri di questo articolo: 150 DPI è la soglia *del motore*, 300 DPI è l'obiettivo *di qualità*. I file nel mezzo di solito funzionano, ma concentrano gli errori esattamente dove fa male: nelle cifre piccole.

La trappola di cui nessuno parla: la compressione di WhatsApp

Se i documenti ti arrivano da uno smartphone, controlla prima questo. WhatsApp ridimensiona le immagini inviate dal selettore foto a circa 1.600 pixel sul lato lungo e le comprime pesantemente. Fai il conto su un A4: 1.600 px ÷ 11,69 pollici ≈ 137 DPI, sotto la soglia dei 150 prima ancora che il JPEG cominci a rosicchiare i bordi dei caratteri.

Il rimedio è gratis e richiede un tocco: invia il file come documento (graffetta → Documento), non come foto. I file inviati come documento non vengono ridimensionati né ricompressi. Stesso telefono, stessa foto, stesso foglio, e all'improvviso le cifre piccole sopravvivono. Se fai passare fatture fornitore o documenti d'identità da WhatsApp, questo singolo cambio di abitudine vale in genere più che cambiare motore OCR.

Cosa sistema davvero una scansione pessima, in ordine di fatica

Scendi lungo l'elenco e fermati al primo passo che funziona. Quasi tutti saltano direttamente al 6, che è quello costoso e quasi mai la risposta.

Chiedi l'originale. Il fornitore ha quasi sempre il PDF digitale. Dieci secondi di richiesta valgono più di un'ora di OCR forense. In più elimina del tutto il passaggio OCR: un PDF digitale può andare dritto a dati strutturati, come spiegato in Come convertire PDF in Excel automaticamente con l'IA di WhappScan.
Riscansiona a 300 DPI in scala di grigi su scanner piano. Né a colori (più peso, zero precisione in più) né in bianco e nero puro (distrugge i tratti deboli).
Se deve essere una foto: superficie piana, luce naturale, niente flash, quattro angoli visibili, fotocamera parallela al foglio. Il flash su una fattura lucida crea un riflesso bruciato proprio dove di solito sta il totale.
Invialo non compresso, come documento, come sopra.
Pre-elabora: raddrizza, ritaglia sulla pagina, alza il contrasto. Ha senso su un lotto di cento scansioni brutte uguali; non su una sola.
Solo a quel punto cambia strumento. E se lo fai, sappi cosa stai cambiando: l'OCR a template con coordinate fisse si rompe appena una scansione degradata sposta il layout di qualche millimetro, che è un problema diverso dall'accuratezza del carattere — lo raccontano Perché i template OCR per fornitore si rompono e Accuratezza dell'OCR nel 2026.

Il criterio per smettere di insistere

Usa i tuoi numeri, non quelli di un benchmark. Prendi il costo al minuto pienamente caricato della persona che fa il lavoro (stipendio più oneri, diviso i minuti lavorati) e misura due cose su un campione di dieci documenti:

A = minuti per digitare il documento a mano, dall'inizio alla fine
B = minuti per rivedere e correggere l'output estratto

Se B supera circa il 60% di A, automatizzare *quella classe di documenti* non si sta ripagando, e la soluzione sta a monte: sistema la scansione o sistema il modo in cui il documento arriva. Se B è sotto un terzo di A, prosegui e investi il tempo risparmiato nella verifica descritta sotto.

Il criterio conta perché le scansioni brutte non falliscono in modo uniforme. Un lotto con il 90% di file puliti e il 10% di fotocopie di fax va separato, non mediato: automatizza il 90%, manda il 10% a una coda umana e smetti di guardare la media, che nasconde entrambe le realtà.

Campi da non accettare mai al buio da una scansione degradata

Con una scansione buona basta un controllo a campione. Sotto i 200 DPI, controlla sempre questi: sono quelli dove un solo carattere sbagliato è insieme invisibile e costoso.

Importi e centesimi. `1` contro `7`, `3` contro `8`, `5` contro `6`, e il separatore decimale letto male.
Partita IVA, codice fiscale, IBAN. Carattere per carattere, senza contesto che permetta l'autocorrezione.
Date. Un mese letto male sposta silenziosamente la fattura nel trimestre sbagliato.
Quantità e prezzi unitari delle righe, di solito il corpo più piccolo della pagina.
Numeri di documento d'identità e righe MRZ, dove una cifra sbagliata rompe l'intero record a valle.

La difesa economica è aritmetica, non rilettura. Quasi tutti questi campi si validano da soli: imponibile + IVA − ritenuta deve dare il totale; partita IVA, codice fiscale e IBAN hanno cifre di controllo; le righe devono sommare al subtotale. Automatizza questi tre controlli e un numero allucinato si tradisce da solo, senza che nessuno rilegga la pagina. È la via di mezzo pratica tra fidarsi alla cieca e ridigitare tutto, approfondita in Validazione umana o IA nell'estrazione dati.

In sintesi

Un PDF scansionato male non è un problema, sono tre: pochi pixel, poco contrasto e geometria sbagliata. Solo il primo si misura in anticipo, ed è quello che decide se gli altri due contano. Misuralo prima di spendere, correggilo alla fonte quando puoi, e lascia che siano le cifre di controllo — non gli occhi stanchi — a intercettare ciò che passa.

Se vuoi vedere dove sta uno dei tuoi file, il test più rapido è provarlo: carica una fattura, un documento o uno scontrino e guarda cosa torna, campo per campo, in pochi secondi. Prova l'estrattore gratis, senza registrazione.