Открийте дали PDF файлът е сканиран

Анализирайте PDF файл, за да оцените дали произхожда от сканиране (изображения на страниците, липса на шрифтове, индикатори CCITT/JBIG2) и експортирайте диагностиката в JSON, локално в браузъра си.

Импортиране на PDF файл

Никакви данни не се изпращат на сървър: всичко се извършва в браузъра ви.

← Върнете се към PDF инструментите

Случаи на употреба

Решаване на OCRБързо да се определи дали OCR е необходим преди индексиране/пълнотекстово търсене.
Контрол на достъпносттаИдентифициране на "изображения" PDF файлове, които не могат да се селектират (често недостъпни) за корекция.
Процес на извличанеАвтоматично маршрутизиране на документите: директно извличане, ако текстът е наличен, OCR в противен случай.
QA на сканиранеОткриване на страници с лошо качество (твърде малко текст, доминиращи изображения) в партида от сканирания.

Това, което получавате

JSON диагноза на страница: наличие на текст, пропорция на съдържание изображение, индикатори за "скан" (в зависимост от хевристики).

Индикатори за приоритизиране на OCR (страници за обработка, вече използваеми страници).

Ограничения и важни точки

Хевристично откритие: някои графични PDF файлове (каталози, слайдове) могат да изглеждат като сканирани, без да са.
PDF файлове могат да съдържат "скрит текст" (OCR вече направен): инструментът го открива, но качеството може да варира.
Реалното качество на OCR зависи от резолюцията, контраста и езика — не са оценени прецизно тук.

Често задавани въпроси

Може ли скан да съдържа селектиращ текст?

Да, ако е приложен OCR: изображението остава, но се добавя текстов слой.

Прави ли инструментът OCR?

Не. Той открива и диагностицира. OCR е отделна стъпка.

Защо една страница е класифицирана като “сканирана”, когато виждам текст?

Видимият текст може да бъде изображение (рендерирано), а не векторен текст. Диагностиката се основава на вътрешното съдържание.

Съвет

Преди да инвестирате време в извличане, открийте сканирания: това е най-простият начин да избегнете "лов" на текст, който не съществува без OCR.