# Come estrarre testo da PDF e immagini con OCR locale

> Fonte: https://francescogruner.it/glm-ocr-q8-vs-paddleocr-vl-1-6-q8/

Un PDF scannerizzato non contiene sempre vero testo. A volte è solo una serie di fotografie: puoi leggerle con gli occhi, ma non puoi cercare una parola, copiare una riga o recuperare un numero. Lo stesso vale per scontrini, etichette, screenshot e foto di documenti.

 

Qui entra in gioco l’OCR. Detto nel modo più semplice possibile, **l’OCR prende le lettere presenti nei pixel e le trasforma in testo copiabile e ricercabile**. In questa guida spiego come estrarre testo da PDF e immagini con OCR, quando è davvero necessario e come farlo in locale sul proprio PC.

   

Indice dei contenuti

 [Toggle](#) 

- [OCR: cos’è e a cosa serve](#OCR_cose_e_a_cosa_serve)
- [Sette casi d’uso concreti](#Sette_casi_duso_concreti)
- [Ti sta piacendo?](#Ti_sta_piacendo)
- [Quando l’OCR non serve](#Quando_lOCR_non_serve)
- [OCR PDF gratis e online oppure OCR locale?](#OCR_PDF_gratis_e_online_oppure_OCR_locale)
- [Il mio test: GLM-OCR Q8 e PaddleOCR-VL 1.6 Q8](#Il_mio_test_GLM-OCR_Q8_e_PaddleOCR-VL_16_Q8)

- [Il test precedente su un corpus più difficile](#Il_test_precedente_su_un_corpus_piu_difficile)
- [Come estrarre testo da un’immagine sul PC](#Come_estrarre_testo_da_unimmagine_sul_PC)
- [docroute-ocr 0.2: dal file al testo verificabile](#docroute-ocr_02_dal_file_al_testo_verificabile)
- [Software OCR open source: come scegliere](#Software_OCR_open_source_come_scegliere)
- [Dall’OCR al RAG documentale](#DallOCR_al_RAG_documentale)

- [GLM-OCR-GGUF](#GLM-OCR-GGUF)
- [llama.cpp](#llamacpp)
- [GLM-OCR](#GLM-OCR)
- [AWS: che cos’è l’OCR](#AWS_che_cose_lOCR)
- [Google Cloud: casi d’uso OCR](#Google_Cloud_casi_duso_OCR)

 

## OCR: cos’è e a cosa serve

 

OCR significa *Optical Character Recognition*, cioè riconoscimento ottico dei caratteri. Un software OCR osserva un’immagine, riconosce lettere, parole e numeri e restituisce testo utilizzabile da altri programmi.

 

Il risultato può essere un semplice file TXT, un documento Markdown, dati strutturati oppure un PDF in cui finalmente è possibile usare la ricerca. Se vuoi **convertire un’immagine in testo**, questo è il tipo di tecnologia che ti serve.

 

![Set pubblico sintetico con sette casi d’uso OCR](https://francescogruner.it/wp-content/uploads/2026/08/contact-sheet.png)

Set pubblico creato con dati inventati: nessun documento reale. 

## Sette casi d’uso concreti

 

- **Scontrino:** recuperare esercente, data, totale e righe di spesa.
- **Fattura:** estrarre numero, imponibile, IVA e scadenza da una scansione.
- **Etichetta di spedizione:** leggere destinatario, indirizzo e codice di tracciamento.
- **Biglietto da visita:** trasformare nome, azienda, email e telefono in un contatto.
- **Screenshot di un errore:** copiare il messaggio per cercarlo o inserirlo in un ticket.
- **Contratto:** rendere ricercabili clausole, date e riferimenti in una copia acquisita con scanner.
- **Pagina d’archivio:** recuperare testo da materiale storico digitalizzato.

 

Lo stesso flusso funziona anche con un **PDF raster di due pagine**: prima si trasformano le pagine in immagini, poi si esegue l’OCR su ciascuna pagina e infine si uniscono i risultati mantenendo il riferimento alla pagina di origine.

                  

## Ti sta piacendo?

 

Ricevi una guida pratica ogni settimana. AI, tool e automazioni.

            Iscriviti gratis             Perfetto, sei dentro.         

## Quando l’OCR non serve

 

Prima di avviare un modello, prova a selezionare una frase nel documento. Se riesci a copiarla correttamente, probabilmente il testo esiste già e l’OCR aggiungerebbe solo tempo e possibili errori.

 

- Un **PDF nativo**, esportato da un programma, va letto con un parser PDF.
- Un file **DOCX** va aperto come documento strutturato.
- Un file **XLSX** va letto per fogli, celle e formule.
- Una pagina **HTML** va analizzata dal suo codice e dalla sua struttura.

 

La regola pratica è semplice: **parsing nativo quando il testo è già presente, OCR solo quando il contenuto utile vive nei pixel**. Questo migliora velocità, precisione e tracciabilità.

 

## OCR PDF gratis e online oppure OCR locale?

 

Un servizio OCR PDF online può essere comodo per una prova rapida e per documenti non riservati. Carichi il file, attendi l’elaborazione e scarichi il testo. Prima di usarlo, però, conviene controllare limiti di dimensione, conservazione dei file, informativa privacy e condizioni del servizio.

 

Io preferisco l’**OCR locale** quando devo ripetere il lavoro, automatizzare una cartella o trattare materiale che non voglio inviare a terzi. “Locale” significa che immagini e modelli restano sul computer. Non significa automaticamente che la configurazione sia facile o che ogni documento venga riconosciuto senza errori.

 

## Il mio test: GLM-OCR Q8 e PaddleOCR-VL 1.6 Q8

 

Ho confrontato i due modelli con lo stesso ambiente: commit di llama.cpp `7bd8282...`, backend Vulkan, GPU Radeon 8060S, quantizzazione Q8, stesso prompt OCR, temperatura 0 e top-k 1. Il corpus comprendeva sette immagini sintetiche e pulite: scontrino, fattura, etichetta di spedizione, biglietto da visita, screenshot di errore, contratto e pagina d’archivio.

 

Ho eseguito ogni immagine due volte con entrambi i modelli: **7 immagini × 2 ripetizioni × 2 modelli = 28 run**. Tutte le 28 esecuzioni sono riuscite e, nelle condizioni del test, i risultati sono stati deterministici.

 **Modello**GLM-OCR Q8**Similarità caratteri**100%**Parole**100%**Micro CER**0%**Numeri**100%**Tempo medio**7,788 s**Modello**PaddleOCR-VL 1.6 Q8**Similarità caratteri**99,88%**Parole**99,17%**Micro CER**0,14%**Numeri**97,83%**Tempo medio**2,588 s 

![Confronto GLM-OCR e PaddleOCR-VL su sette casi sintetici](https://francescogruner.it/wp-content/uploads/2026/08/ocr-benchmark-use-cases-v2.png)

Nuovo benchmark: 28 esecuzioni sul mio hardware. 

GLM-OCR ha restituito una trascrizione equivalente al riferimento dopo la normalizzazione di markup e spaziatura. PaddleOCR-VL ha commesso qualche imprecisione, ma è stato **3,01 volte più veloce**. Il CER è il tasso di errore sui caratteri: più è basso, meglio è.

 

> **Attenzione al significato del benchmark.** Il corpus è sintetico, volutamente pulito e piccolo. Serve a rendere il confronto ripetibile, non a costruire un ranking universale. Foto storte, ombre, tabelle complesse, scrittura a mano, lingue diverse e scansioni rovinate possono cambiare molto il risultato.

  

### Il test precedente su un corpus più difficile

 

Conservo anche il risultato delle 36 run precedenti, effettuate su materiale sintetico più difficile. GLM-OCR aveva raggiunto il 91,17% di similarità caratteri, 8,59% di CER e 7,905 secondi medi. PaddleOCR-VL aveva ottenuto il 91,13%, 8,65% di CER e 2,724 secondi medi. In quel test la qualità era sostanzialmente appaiata, mentre Paddle era 2,90 volte più veloce.

  

## Come estrarre testo da un’immagine sul PC

 

Quella che segue è una traccia pratica, non una promessa di installazione “one-click”. Servono un minimo di familiarità con terminale, percorsi dei file e dipendenze.

 

1. Installa **Python 3.11** e crea un ambiente virtuale dedicato.
2. Compila o installa una versione recente di **llama.cpp con supporto multimodale** e il backend adatto al tuo hardware.
3. Scarica il modello **GGUF** e il relativo file **mmproj**. Sono file separati e servono entrambi.
4. Prepara un’immagine leggibile: orientamento corretto, risoluzione sufficiente e poco margine inutile.
5. Avvia la CLI indicando modello, proiettore multimodale, immagine e prompt.
6. Salva l’output e controlla sempre nomi, date, importi e codici.

 

```
llama-mtmd-cli \
  -m /percorso/modello-ocr-q8.gguf \
  --mmproj /percorso/mmproj-ocr.gguf \
  --image /percorso/documento.png \
  -p "Trascrivi fedelmente tutto il testo visibile. Mantieni righe e numeri." \
  --temp 0 --top-k 1
```

 

I nomi delle opzioni possono cambiare tra versioni di llama.cpp: verifica sempre la guida del commit che stai usando. Per un PDF scannerizzato, converti prima ogni pagina in immagine, esegui il comando pagina per pagina e conserva nel risultato un marcatore come `pagina: 1`.

 

## docroute-ocr 0.2: dal file al testo verificabile

 

Ho trasformato **docroute-ocr** in una piccola applicazione locale. Riconosce il formato, usa il parser corretto e applica l’OCR soltanto quando il contenuto vive nei pixel. Puoi [scaricare docroute-ocr 0.2.0](https://francescogruner.it/wp-content/uploads/2026/08/docroute-ocr-v0.2.0.zip).

 

- elabora TXT, Markdown, HTML, DOCX, XLSX, immagini e PDF;
- analizza i PDF pagina per pagina e usa l’OCR solo sulle pagine senza testo;
- produce JSON, TXT e Markdown con riferimenti a pagina, foglio, cella o sezione;
- elabora intere cartelle in batch senza mescolare file con nomi simili;
- offre una Web UI locale con caricamento, anteprima, download e cancellazione del workspace;
- crea un indice SQLite locale e risponde recuperando passaggi originali con citazioni verificabili.

 

La funzione `ask` è volutamente estrattiva: cerca e restituisce il testo originale con la sua fonte. Non viene presentata come risposta generata da un modello e non è ancora un RAG completo.

 

```
./install.sh
.venv/bin/docroute web --host 127.0.0.1 --port 8765

# oppure da terminale
.venv/bin/docroute process documento.pdf --output risultati
```

 

SHA-256 del pacchetto:

 

```
cf0fb7cfdd4c78fcb6bda061ea83db99be106084354d90efaa34c27338b13b65
```

 

La release ha superato 23 test automatici, una prova di installazione pulita e una prova PDF reale con Poppler. I modelli OCR non sono inclusi: per immagini e PDF scannerizzati servono ancora un runtime llama.cpp multimodale, il modello GGUF e il relativo `mmproj`.

 

Puoi anche [scaricare il corpus sintetico completo](https://francescogruner.it/wp-content/uploads/2026/08/ocr-use-case-corpus-v2.zip) con immagini, testi attesi e report, oppure provare direttamente il [PDF scansionato multipagina di esempio](https://francescogruner.it/wp-content/uploads/2026/08/demo_scanned_multipage.pdf). Tutti i dati sono inventati.

 

## Software OCR open source: come scegliere

 

Non esiste un motore migliore per ogni situazione. Per scegliere un software OCR open source, prova un campione che assomigli davvero ai tuoi documenti e misura almeno:

 

- errori su lettere e parole;
- precisione di importi, date, codici e partite IVA;
- tempo medio per pagina;
- memoria richiesta e compatibilità con l’hardware;
- capacità di mantenere righe, tabelle e ordine di lettura;
- licenza del codice e dei pesi del modello.

 

Per i dati importanti non basta una percentuale media: un totale letto come 1.000 invece di 100 può essere più grave di diversi accenti sbagliati. Conviene aggiungere controlli automatici e revisione umana nei passaggi critici.

 

## Dall’OCR al RAG documentale

 

L’OCR è solo il primo anello della catena. Dopo l’estrazione vengono **normalizzazione**, suddivisione in **chunk**, creazione degli **embedding**, caricamento in **Vespa o in un altro indice** e infine una chat che risponde mostrando le citazioni.

 

In una futura chat per documenti aziendali userò **parsing nativo + OCR selettivo**, isolamento per workspace, cancellazione controllata e fonti precise a livello di pagina o cella. L’obiettivo non è soltanto “far leggere il file all’AI”, ma poter verificare da dove arriva ogni risposta.

 

Dedicherò un articolo specifico al RAG documentale e alla chat con i documenti aziendali, mostrando come passare da una scansione a una risposta verificabile con la relativa fonte.

  OCR cos’è, in parole semplici?

È una tecnologia che riconosce le lettere dentro un’immagine e le trasforma in testo copiabile e ricercabile.

 Come estrarre testo da un PDF scannerizzato?

Converti le pagine del PDF in immagini, applica l’OCR a ogni pagina e unisci il testo mantenendo i numeri di pagina. Se il PDF contiene già testo selezionabile, usa invece un parser PDF.

 Come estrarre testo da un’immagine?

Fornisci l’immagine a un motore OCR locale oppure a un servizio online. Raddrizzala, usa una risoluzione leggibile e controlla soprattutto numeri, date e nomi.

 Un OCR PDF gratis online è sicuro?

Dipende dal servizio e dal documento. Prima del caricamento verifica privacy, conservazione e luogo di trattamento. Per contenuti riservati è spesso preferibile un flusso locale approvato dalla propria organizzazione.

 Qual è il miglior software OCR open source?

Dipende da lingua, impaginazione, qualità delle scansioni e hardware. La scelta corretta nasce da un test sul proprio campione, non da un singolo benchmark.

 L’OCR è sempre preciso?

No. Immagini sfocate, rotazioni, ombre, caratteri piccoli e tabelle possono introdurre errori. I campi importanti devono essere validati.

  

Per verificare definizioni, runtime e modelli ho consultato documentazione e repository ufficiali.

 [Hugging Face

### GLM-OCR-GGUF

Pesi GGUF e indicazioni ufficiali per usare GLM-OCR con llama.cpp.

Apri fonte](https://huggingface.co/ggml-org/GLM-OCR-GGUF) [GitHub

### llama.cpp

Runtime open source utilizzato per eseguire entrambi i modelli nello stesso ambiente locale.

Apri fonte](https://github.com/ggml-org/llama.cpp) [GitHub

### GLM-OCR

Repository ufficiale del modello, SDK, architettura e licenze dei componenti.

Apri fonte](https://github.com/zai-org/GLM-OCR) [Approfondimento

### AWS: che cos’è l’OCR

Definizione semplice del riconoscimento ottico dei caratteri e principali applicazioni documentali.

Apri fonte](https://aws.amazon.com/it/what-is/ocr/) [Documentazione

### Google Cloud: casi d’uso OCR

Esempi di estrazione del testo da immagini e documenti e distinzione fra testo generico e documenti densi.

Apri fonte](https://cloud.google.com/use-cases/ocr?hl=it)