Detekovat, zda je PDF skenované

Analyzujte PDF pro odhad, zda pochází ze skenu (obrázky na stránkách, absence písem, indikátory CCITT/JBIG2) a exportujte diagnostiku do JSON, lokálně ve vašem prohlížeči.

Importovat PDF

Žádná data nejsou odesílána na server: vše se provádí ve vašem prohlížeči.

← Zpět k PDF nástrojům

Případ použití

Rozhodnutí o OCRRychle zjistit, zda je OCR nutné před indexací/plným textovým vyhledáváním.
Kontrola přístupnostiIdentifikovat "obrázkové" PDF, která nejsou vybratelná (často nepřístupná) k opravě.
Pipeline extrakceAutomaticky směrovat dokumenty: přímá extrakce, pokud je přítomen text, jinak OCR.
QA skenováníIdentifikovat stránky špatné kvality (příliš málo textu, dominantní obrázky) v dávce skenů.

Co získáte

Diagnostika JSON na stránku: přítomnost textu, poměr obsahu obrázku, indikátory "skenu" (podle heuristiky).

Ukazatele pro priorizaci OCR (stránky k zpracování, již využitelné stránky).

Limity a body pozornosti

Heuristická detekce: některé grafické PDF (katalogy, prezentace) mohou vypadat jako skeny, aniž by jimi byly.
PDF mohou obsahovat "skrytý text" (OCR již provedeno): nástroj to detekuje, ale kvalita se může lišit.
Skutečná kvalita OCR bude záviset na rozlišení, kontrastu a jazyce — zde není podrobně hodnocena.

Často kladené otázky

Může sken obsahovat vyberatelný text?

Ano, pokud bylo aplikováno OCR: obrázek zůstává, ale je přidána textová vrstva.

Dělá nástroj OCR?

Ne. Detekuje a diagnostikuje. OCR je samostatný krok.

Proč je stránka klasifikována jako „sken“, když vidím text?

Viditelný text může být obrázek (rendering), nikoli vektorový text. Diagnóza se zakládá na interním obsahu.

Tip

Před investováním času do extrakce detekujte skeny: to je nejjednodušší způsob, jak se vyhnout "lovu" textu, který neexistuje bez OCR.