Detecteer of 'n PDF gescanneer is

Analiseer 'n PDF om te skat of dit van 'n skandering afkomstig is (prente op die bladsye, afwesigheid van fonts, CCITT/JBIG2-indikasies) en voer die diagnose uit in JSON, plaaslik in jou blaaier.

Importeer 'n PDF

Geen data word na 'n bediener gestuur nie: alles gebeur in jou blaaier.

← Terug na PDF-gereedskap

Gebruiksg gevalle

Bepaal of 'n OCR nodig isWeet vinnig of die OCR nodig is voor indeksasie/volteks soektog.
Toeganklikheid kontroleerIdentifiseer “beeld” PDF's wat nie gekies kan word nie (dikwels nie toeganklik nie) om reg te stel.
Uittreksel-pyplynRouter dokumente outomaties: direkte ekstraksie as teks teenwoordig is, anders OCR.
Skandeer QAIdentifiseer bladsye van swak kwaliteit (te min teks, oorheersende beelde) in 'n stel skanderings.

Wat u ontvang

'n JSON-diagnose per bladsy: teenwoordigheid van teks, verhouding van inhoud beeld, “skandering” leidrade (volgens heuristieke).

Aanwysers om die OCR te prioritiseer (bladsye om te verwerk, bladsye wat reeds benut kan word).

Grense en aandagspunte

Heuristiese detectie: sommige grafiese PDF's (katalogusse, skyde) kan soos skanderings lyk sonder om dit te wees.
PDF's kan “versteekte teks” bevat (OCR reeds gedoen): die hulpmiddel detecteer dit maar die kwaliteit kan wissel.
Die werklike kwaliteit van die OCR sal afhang van die resolusie, kontras en taal — nie hier fyngegradeer nie.

Gereelde vrae

Kan 'n skandering teks bevat wat gekies kan word?

Ja, as 'n OCR toegepas is: die beeld bly, maar 'n tekslaag word bygevoeg.

Maak die hulpmiddel die OCR?

Nee. Dit detecteer en diagnoseer. Die OCR is 'n aparte stap.

Waarom is 'n bladsy geklassifiseer as “skandering” terwyl ek teks sien?

Die sigbare teks kan 'n beeld (weergawes) wees, nie vektorteks nie. Die diagnose is gebaseer op die interne inhoud.

Wenk

Voordat jy tyd aan ekstraksie bestee, detecteer die skanderings: dit is die eenvoudigste manier om te voorkom dat jy “jaag” na teks wat nie bestaan nie sonder OCR.