Tesseract OCR: leggere una scansione in locale (guida francese)

#Cosa è Tesseract e cosa non è

Tesseract è un motore di riconoscimento ottico dei caratteri pubblicato sotto licenza Apache 2.0. Il repository ufficiale, descritto dai suoi manutentori come il «Tesseract Open Source OCR Engine», conta oggi più di 70.000 stelle su GitHub. La versione 4 ha aggiunto un motore basato su reti neurali LSTM, incentrato sul riconoscimento delle righe; il motore storico, che riconosce pattern di caratteri, rimane disponibile come opzione. Legge i formati di immagine comuni (PNG, JPEG, TIFF) e produce testo semplice, hOCR, PDF o TSV. La versione stabile più recente, la 5.5.3, è stata rilasciata il 24 luglio 2026. In pratica: installa il file della lingua, cura l'immagine (300 punti per pollice, pagina dritta, contrasto netto), scegli la modalità di segmentazione corretta, poi verifica il risultato su una ventina di pagine prima di elaborare un lotto.

Cosa non è: uno strumento di comprensione dei documenti. Restituisce testo, eventualmente con informazioni sulla posizione. Non indica che un blocco è un titolo, non ricostruisce una tabella in righe e colonne e non capisce ciò che legge. Per un documento strutturato, l'OCR è solo uno dei componenti.

#Il francese: il file di lingua

Per impostazione predefinita, Tesseract legge l'inglese. Su un documento francese, questo si traduce in accenti mancanti e parole riconosciute in modo approssimativo — e molti ne deducono che il motore sia scadente. La documentazione specifica che, senza l'opzione -l, si presume che la lingua sia l'inglese. È quindi necessario installare il file dei dati della lingua e specificarla esplicitamente al momento dell'esecuzione. Il progetto dichiara di riconoscere oltre cento lingue una volta installati i pacchetti corretti.

# Debian/Ubuntu : installer les données françaises
sudo apt install tesseract-ocr tesseract-ocr-fra

# macOS (Homebrew) : le moteur puis les langues supplémentaires
brew install tesseract tesseract-lang

# Reconnaître une image en français, sortie texte
tesseract scan.png sortie -l fra

# Plusieurs langues dans le même document
tesseract scan.png sortie -l fra+eng

# Sortie PDF avec couche de texte interrogeable
tesseract scan.png sortie -l fra pdf

#La qualità dell'immagine è determinante

È il punto che si scopre troppo tardi: la documentazione ufficiale dedica la sua pagina «Improve quality» all'elaborazione dell'immagine prima delle impostazioni del motore. Tesseract esegue già operazioni interne (libreria Leptonica), ma non sempre sono sufficienti, e un pretrattamento di poche righe basta spesso a rendere leggibile una scansione mediocre. Koncile, un produttore di software per l'estrazione di fatture, illustra l'entità del fenomeno nei propri test, pubblicati nel 2026: su una fattura inclinata di appena tre-cinque gradi, la percentuale di lettura corretta passa dal 100% al 31%. Non è uno studio indipendente, ma l'ordine di grandezza corrisponde all'avvertimento della documentazione ufficiale. Nessuna impostazione del motore può compensare un calo simile; solo un raddrizzamento preliminare può farlo.

Risoluzione

La documentazione ufficiale indica che Tesseract funziona meglio su immagini di almeno 300 punti per pollice e suggerisce di ridimensionare in caso contrario.

Raddrizzamento

La documentazione avverte che la qualità della segmentazione in righe diminuisce nettamente quando la pagina è troppo inclinata: bisogna ruotare l'immagine in modo che le righe siano orizzontali. Vedere il dato riportato sopra.

Contrasto e binarizzazione

Tesseract effettua la binarizzazione internamente (algoritmo di Otsu), con risultati a volte mediocri quando lo sfondo ha una tonalità non uniforme. La versione 5.0 ha aggiunto due metodi, Adaptive Otsu e Sauvola, regolabili attraverso i parametri thresholding_*. Per un motore in versione 4 o successiva, serve testo scuro su sfondo chiaro.

Bordi

Bordi molto ampi disturbano il motore, ma anche un testo ritagliato troppo a ridosso dei caratteri: la documentazione consiglia di aggiungere un piccolo bordo bianco (10 pixel nel suo esempio) attorno a un estratto senza margini.

1. 01
   Raddrizzare la pagina

   Rilevare l'angolo dominante del testo e ruotare l'immagine prima di tutto il resto; un semplice script basato sulla trasformata di Hough basta per la maggior parte degli scanner da ufficio.
2. 02
   Migliorare il contrasto

   Convertire in scala di grigi, poi binarizzare (con una sogliatura adattiva anziché una soglia fissa, che non funziona con un'illuminazione non uniforme) per ottenere nero puro su bianco puro.
3. 03
   Ritaglia e avvia l'OCR

   Rimuovere i bordi dello scanner e gli ampi margini vuoti, lasciare un sottile bordo bianco intorno al testo, poi eseguire Tesseract con la lingua e la modalità di segmentazione adatte al tipo di documento trattato.

#I parametri che modificano il risultato

La modalità di segmentazione è l'impostazione che si dimentica più spesso. La documentazione lo ricorda: per impostazione predefinita, Tesseract si aspetta una pagina di testo e, per leggere una piccola area, bisogna scegliere un'altra modalità. Su un'immagine contenente una sola riga, la modalità 7 la tratta come una riga singola. Per testo sparso senza un ordine particolare — una schermata con etichette disseminate — la modalità corrispondente evita lo stesso problema. La modalità del motore, invece, cambia raramente il risultato, per una ragione pratica: il motore storico è presente solo nei file di lingua del repository tessdata, non nelle varianti rapide o precise fornite dalla maggior parte delle distribuzioni.

Su testo stampato pulito e ben inquadrato, Tesseract resta competitivo: FastOCR, un servizio di OCR online che vende un'alternativa cloud, indica una precisione dal 95 al 97,2% per Tesseract v5 su testo inglese pulito, contro una precisione dal 98,2 al 99,1% per Google Cloud Vision. Sono cifre fornite da un operatore con un interesse commerciale, senza un protocollo pubblicato: prendile come un ordine di grandezza, non come una misurazione. La scelta del motore dovrebbe basarsi sulla natura reale dei documenti: se sono puliti e stampati, Tesseract è più che sufficiente; se sono danneggiati, manoscritti o hanno una struttura molto densa, diventa l'anello debole della catena.

#Tesseract o un modello di visione

Quest'ultima riga è importante per qualsiasi controllo documentale: Tesseract sbaglia confondendo i caratteri, mentre un modello di visione può produrre un numero dalla forma perfetta ma errato. La differenza non è assoluta, perché anche uno 0 letto come un 8 in un importo può passare inosservato, ma un testo assurdo rivela più spesso un errore di un motore OCR rispetto a un valore plausibile inventato. Un confronto pubblicato nel 2026 riassume il panorama ormai cambiato: le vere alternative non sono più i motori OCR tradizionali, ma i modelli di visione-linguaggio open source, e cita espressamente PaddleOCR-VL tra questi — con un costo da sostenere in cambio, perché questi modelli richiedono una GPU, mentre a Tesseract basta un normale processore.

• I modelli multimodali locali, cosa sanno leggere
• Estrarre i dati da una fattura: l'intera catena di elaborazione
• Convertire documenti strutturati con Docling
• PaddleOCR: il motore che gestisce le impaginazioni complesse

• Fonte: repository ufficiale Tesseract su GitHub
• Fonte: Koncile, confronto su Tesseract 2026 (produttore di software per l'estrazione di dati dalle fatture)
• Fonte: pagina del manuale di tesseract (opzioni --psm e --oem)
• Fonte: documentazione Tesseract, migliorare la qualità
• Fonte: documentazione Tesseract, file di dati

#Il vero costo di un progetto Tesseract

Il motore in sé non costa nulla, il che spesso nasconde dove viene realmente impiegato il tempo in un progetto OCR. Il vero lavoro riguarda le attività che ruotano attorno al motore: pre-elaborazione delle immagini (raddrizzamento, binarizzazione, bordi) e verifica del risultato. Un budget realistico prevede fin dall'inizio del tempo per queste due fasi, anziché scoprirle dopo un primo lotto di risultati deludenti.

Scanner o foto scattata con il telefono

Uno scanner piano produce pagine più dritte e meglio illuminate rispetto a una foto scattata a mano libera; preferire lo scanner non appena il volume lo giustifica.

Formato di output

Il testo semplice basta per l'indicizzazione; il formato hOCR conserva le posizioni, il che è utile per evidenziare un estratto nell'interfaccia originale.

Controllo qualità

Un campione riletto manualmente dopo ogni cambio della fonte delle scansioni permette di individuare una deriva prima che coinvolga l'intero lotto.

Volume e parallellismo

Tesseract è multithread per impostazione predefinita (OpenMP), il che non è adatto all'elaborazione di un lotto di grandi dimensioni. La FAQ del progetto consiglia di avviare un processo per core con la variabile OMP_THREAD_LIMIT=1, che elimina il costo aggiuntivo del multithreading.

Un ultimo aspetto spesso dimenticato: la denominazione dei file generati. Su diverse migliaia di pagine, bisogna poter ritrovare quale testo corrisponde a quale scansione; mantenere lo stesso nome di base per l'immagine e il testo riconosciuto risolve il problema fin dall'inizio.

#Inserirlo in una pipeline locale

In un sistema locale di gestione documentale, Tesseract interviene in un solo punto: subito prima dell'indicizzazione, sui documenti privi di un livello di testo. Il test da automatizzare è semplice — se l'estrazione del testo da un PDF restituisce meno di qualche decina di caratteri per pagina (soglia da adattare al tuo corpus), probabilmente si tratta di una scansione, che viene quindi inviata all'OCR. Senza questo test, interi documenti entrano nell'indice come vuoti senza che nessuno se ne accorga, finché un utente non si stupisce.

Il raddrizzamento e la binarizzazione andrebbero automatizzati nella stessa pipeline anziché affidati a una valutazione pagina per pagina: uno script che rileva l'angolo dominante e lo corregge prima della chiamata al motore evita buona parte delle brutte sorprese descritte in precedenza. Su un lotto omogeneo — sempre lo stesso scanner, lo stesso tipo di documento — questo pretrattamento si configura una volta e poi funziona senza supervisione.

#FAQ