Perché copiare e incollare testo da un PDF genera caratteri strani (e come risolvere)
EqualangIn breve
Scopri perché un PDF nitido incolla rettangoli vuoti o lettere casuali quando manca la tabella /ToUnicode CMap, come verificare i font in 10 secondi ed estrarre testo pulito.
Parole chiave: copia incolla pdf caratteri strani; copiare testo pdf illeggibile; pdf toUnicode cmap mancante; pdffonts uni no; correggere testo illeggibile copiato da pdf
Quando un documento PDF appare perfettamente nitido sullo schermo ma, una volta incollato in un editor di testo, si trasforma in rettangoli vuoti (``), simboli incomprensibili o lettere traslate (come "Ciao" che diventa "Fldr"), significa che nel file manca una mappa di caratteri /ToUnicode (CMap) valida all'interno del dizionario dei font incorporati. Poiché il formato PDF discende dal PostScript ed è concepito per l'impaginazione e il disegno vettoriale anziché per l'elaborazione testi, il visualizzatore richiede solo gli ID dei glifi (glyph ID) e i tracciati vettoriali per disegnare lettere nitide sul monitor. Non ha bisogno di sapere quale carattere Unicode (come U+0041 per 'A') corrisponda a ciascuna forma fino a quando non si preme Ctrl+C o Cmd+C. Se questa tabella di conversione viene omessa, alterata o ostacolata da un vecchio livello OCR corrotto, gli appunti di sistema ricevono semplici indici numerici interni invece di testo decodificabile.
Come funziona il rendering di un PDF rispetto al comando Ctrl+C
Può sembrare inspiegabile che i nostri occhi leggano chiaramente un testo in Adobe Acrobat o Google Chrome mentre il computer non riesce a copiarne nemmeno una parola corretta. Questa discrepanza si verifica perché disegnare una pagina a schermo ed estrarre il testo impiegano due strutture dati del tutto indipendenti secondo le specifiche dello standard (ISO 32000-1:2008, Sezione 9.10, Extraction of Text Content).
Quando un motore PDF visualizza il testo sul monitor:
- Il flusso dei contenuti della pagina emette un operatore grafico contenente una sequenza di codici carattere / ID glifo (ad esempio
<0001 0002 0003> Tj). - Il motore di rendering consulta il programma del font incorporato ed estrae i contorni del glifo
#1, glifo#2e glifo#3. - Disegna le curve di Bézier cubiche alle esatte coordinate
(x, y). In questa fase il motore grafico non ha alcun bisogno di stabilire se la forma#1rappresenti la lettera'T', un simbolo di integrale matematico o un marchio aziendale.
Quando però selezioni la stessa riga e premi Ctrl+C o Cmd+C, le curve vettoriali risultano inutilizzabili per gli appunti del sistema operativo. Il visualizzatore PDF deve tradurre ciascun ID glifo interno in un punto di codice Unicode standard:
[Flusso di visualizzazione a schermo]
Flusso della pagina (<0001 0002 0003> Tj) ──► Contorni del font incorporato ──► Pixel nitidi sullo schermo
[Flusso di copia negli appunti]
Flusso della pagina (<0001 0002 0003> Tj) ──► Tabella /ToUnicode CMap ──► Testo Unicode (U+0054 "T"...)
│
(Se assente o corrotta)
▼
Simboli illeggibili / Rettangoli () / Lettere traslate
Se l'applicazione che ha generato il PDF ha creato un sottoinsieme tipografico (subsetting) —mantenendo unicamente i 42 caratteri distinti impiegati nel file e numerandoli da 1 a 42 in ordine di comparsa— senza integrare una tabella /ToUnicode, il visualizzatore deve procedere a tentativi. Il glifo #1 (che a video disegna una 'T') potrebbe essere abbinato a U+0001 (un carattere di controllo non stampabile), a uno slot della Private Use Area (PUA) visualizzato come rettangolo vuoto, oppure a un valore ASCII sfasato.
Le 3 cause principali dei caratteri illeggibili copiati da un PDF
Gli errori riscontrati negli appunti non sono tutti uguali. Esaminare il tipo di testo generato dopo l'incollatura permette di comprendere immediatamente quale livello del file risulti danneggiato:
1. Tabelle /ToUnicode CMap assenti o danneggiate nei font sottoinsieme (subsets)
Per ridurre le dimensioni complessive dei documenti, quasi tutti i software di esportazione creano sottoinsiemi di font (ABCDEF+TimesNewRoman), inserendo esclusivamente i glifi adoperati nel testo. Alcune catene LaTeX meno recenti (dvips / ps2pdf), esportatori di progetti CAD, driver di stampa virtuale datati e meccanismi di protezione editoriale assegnano ID progressivi interni (0x0001, 0x0002...) ai caratteri, impostano la codifica su Identity-H e tralasciano del tutto la definizione /ToUnicode.
Nel codice sorgente degli oggetti PDF, la differenza tra un font integro e uno difettoso è evidente:
% OGGETTO FONT CORRETTO (Il copia e incolla funziona) 12 0 obj << /Type /Font /Subtype /Type0 /BaseFont /BCDFEE+CMR10 /Encoding /Identity-H /ToUnicode 15 0 R % <-- Punta a un flusso CMap valido che converte i glifi in Unicode >> endobj % OGGETTO FONT CORROTTO (Il copia e incolla produce testo illeggibile) 12 0 obj << /Type /Font /Subtype /Type0 /BaseFont /BCDFEE+CMR10 /Encoding /Identity-H % <-- Solo ID interni, nessuna voce /ToUnicode! >> endobj
2. Legature tipografiche e codifiche personalizzate per simboli e formule matematiche
Nelle composizioni tipografiche di alto livello (specialmente con i caratteri Computer Modern in ambiente LaTeX), sequenze di lettere come f e i vengono accorpate in una legatura unica (fi). Se il font memorizza questo glifo singolo in una posizione non standard (come 0x0C) senza dichiarare una corrispondenza /ToUnicode verso più caratteri (<000C> <00660069>), copiando il termine "first" si otterrà " rst" o "?rst". La medesima anomalia interessa lettere greche, simboli di sottrazione e operatori di sommatoria inclusi in font matematici Type 1 con codifiche proprietarie.
3. Livello OCR nascosto e degradato sotto una scansione ad alta risoluzione
Quando si consulta una pubblicazione d'archivio o un volume scansionato, la pagina visibile è in realtà un'immagine bitmap ad alta definizione (JPEG o JBIG2). Per rendere il documento interrogabile, gli scanner istituzionali applicavano in passato un OCR rudimentale e inserivano un livello di testo trasparente (modalità di disegno 3 Tr) al di sopra dell'immagine. Quando si evidenzia il testo con il cursore, la vista mostra l'immagine nitida, ma la selezione raccoglie in realtà quel vecchio livello invisibile pieno di errori di decodifica.
Diagnosi in 10 secondi: verifica la tabella dei font del PDF
Prima di sperimentare vari lettori PDF o convertitori online per Word, controlla con precisione se al documento manca la tabella /ToUnicode.
Metodo A: Esegui pdffonts da terminale (il più rapido)
Se disponi delle utility della suite open source Poppler (brew install poppler su macOS o sudo apt install poppler-utils su Ubuntu/Debian), avvia pdffonts sul file:
pdffonts document.pdf
Esamina i valori presenti nelle colonne sub (presenza di sottoinsieme) e uni (presenza della tabella /ToUnicode):
name type encoding emb sub uni object ID ------------------------------------ ----------------- ---------------- --- --- --- --------- GJXPKL+CMR10 Type 1C Custom yes yes no 14 0 GJXPKM+CMSY10 Type 1C Custom yes yes no 18 0 ArialMT TrueType WinAnsi yes no yes 22 0
uni = yes: Il font comprende una tabella/ToUnicode. Se l'operazione di copia genera comunque caratteri anomali, la tabella presenta associazioni scorrette oppure la selezione proviene da un livello OCR invisibile difettoso.sub = yesEuni = no: Evidenza certa. Il font è un sottoinsieme proprietario privo di qualsiasi metadato di conversione Unicode. Nessun lettore PDF o convertitore convenzionale può ricavare testo leggibile da questo flusso.
Metodo B: Controlla File > Proprietà > Caratteri in Adobe Acrobat Reader
Se preferisci effettuare il controllo tramite interfaccia grafica:
- Apri il documento con Adobe Acrobat Reader.
- Premi
Ctrl+D(Cmd+Dsu macOS) oppure vai suFile > Proprietàe fai clic sulla schedaCaratteri(oFont). - Espandi l'elenco dei font utilizzati nella pagina d'interesse. Se individui la dicitura
Codifica: Personalizzata(Encoding: Custom) oIdentity-Haccanto a una voce(Sottoinsieme incorporato)—specialmente su caratteriType 1,Type 3oCID—, quel font è l'origine dei caratteri corrotti incollati negli appunti.
Come recuperare ed estrarre testo pulito
Una volta accertata l'assenza di /ToUnicode (uni = no) o la compromissione del livello OCR precedente, evita di insistere con le scorciatoie di copia-incolla o con convertitori standard verso Word. Tali strumenti leggono la stessa tabella corrotta impiegata dagli appunti. Per recuperare parole corrette occorre aggirare i codici carattere interni del file e decodificare le forme geometriche tramite riconoscimento ottico dei caratteri (OCR).
Soluzione 1: Acquisire brevi passaggi istantaneamente con l'OCR su schermo
Se il tuo obiettivo è estrarre una citazione breve, un paragrafo o una riga di tabella:
- macOS (Anteprima o Testo attivo): Cattura una schermata (
Cmd+Shift+4) della porzione di testo e aprila in Anteprima. La funzione Testo attivo di macOS ignora del tutto la tabella font del PDF ed estrae il testo direttamente dai pixel dell'immagine. - Windows (PowerToys Text Extractor): Usa la combinazione
Win+Shift+Tper delimitare l'area di testo sul PDF e copiare quanto rilevato direttamente negli appunti.
Soluzione 2: Ricostruire l'intero livello di testo del PDF con ocrmypdf --force-ocr
Per generare un PDF definitivo, in cui effettuare ricerche con Ctrl+F e copiare con Ctrl+C lungo tutte le pagine, impiega l'utility a riga di comando ocrmypdf accompagnata dal parametro --force-ocr. Gli strumenti OCR di base ignorano le pagine in cui rilevano flussi di font preesistenti; --force-ocr, al contrario, rasterizza la pagina vettoriale a 300 DPI, rimuove la mappatura font difettosa o il vecchio livello invisibile e applica un livello Unicode accurato:
# Installazione di ocrmypdf (macOS / Ubuntu) brew install ocrmypdf # oppure: sudo apt install ocrmypdf # Sostituzione forzata della mappatura errata o dell'OCR corrotto con un livello Unicode pulito ocrmypdf --force-ocr input-danneggiato.pdf output-pulito.pdf
Nel caso di documenti scritti in più lingue (come manuali in inglese e italiano o tedesco), dichiara i pacchetti lingua di Tesseract (-l eng+ita oppure -l eng+deu).
Soluzione 3: Tradurre PDF accademici o tecnici senza dover copiare e incollare
Spesso la necessità di copiare testo sorge quando si desidera tradurre paragrafi complessi tratti da pubblicazioni scientifiche a due colonne o manuali d'ingegneria incollandoli in un traduttore online.
Invece di rimediare a caratteri indecifrabili, ricomporre manualmente legature tipografiche o unire frasi spezzate tra colonne contigue, puoi inviare il file a un flusso di traduzione documentale strutturato come Traduzione Documenti di Equalang (scopri come tradurre e leggere documenti PDF a fronte). L'analisi del layout visivo bypassa la mancanza delle tabelle /ToUnicode, preserva la struttura a più colonne, le tabelle e le formule matematiche, consentendo di leggere il documento originale e quello tradotto affiancati nell'area di lavoro con scorrimento sincronizzato.

Domande frequenti
Perché il PDF appare perfettamente nitido con uno zoom al 400%, ma incolla comunque caratteri illeggibili?
La nitidezza visiva è garantita dai contorni vettoriali dei glifi (funzioni matematiche contenute nel font incorporato), mentre il comando di copia si affida a una struttura differente: la tabella di conversione tra codice interno e Unicode (/ToUnicode CMap). Il visualizzatore PDF possiede tutte le informazioni geometriche per disegnare le lettere a qualsiasi ingrandimento, pur non sapendo quale carattere Unicode tali forme rappresentino.
Rimuovere le restrizioni da password di un PDF può risolvere il testo illeggibile copiato?
No. I permessi di sicurezza di un PDF determinano se il comando Copia sia abilitato o disattivato nel menu contestuale. Se puoi selezionare il testo, premere Ctrl+C e incollare qualsiasi contenuto (anche rettangoli o lettere errate), le restrizioni di sicurezza non sono la causa del problema. La causa risiede unicamente nella tabella /ToUnicode, che risulta mancante o corrotta.
Perché aprendo il PDF in Microsoft Word o in un convertitore gratuito compaiono gli stessi simboli?
I convertitori rapidi da PDF a Word estraggono i flussi di testo dai dizionari interni dei font senza eseguire un riconoscimento ottico delle immagini. Se pdffonts segnala uni = no, i codici Unicode corrispondenti non sono memorizzati nel file; di conseguenza, qualunque applicazione priva di un motore OCR visivo restituirà la medesima sequenza di simboli illeggibili.