Ανίχνευση αν ένα PDF είναι σκαναρισμένο

Αναλύστε ένα PDF για να εκτιμήσετε αν προέρχεται από σάρωση (εικόνες στις σελίδες, απουσία γραμματοσειρών, δείκτες CCITT/JBIG2) και εξάγετε τη διάγνωση σε JSON, τοπικά στον περιηγητή σας.

Εισαγωγή ενός PDF

Καμία δεδομένα δεν αποστέλλονται σε διακομιστή: όλα γίνονται στον περιηγητή σας.

← Επιστροφή στα εργαλεία PDF

Περίπτωση χρήσης

Απόφαση για OCRΓνωρίστε γρήγορα αν το OCR είναι απαραίτητο πριν από την ευρετηρίαση/αναζήτηση πλήρους κειμένου.
Έλεγχος προσβασιμότηταςΕντοπισμός μη επιλέξιμων PDF "εικόνας" (συχνά μη προσβάσιμα) προς διόρθωση.
Pipeline εξαγωγήςΑυτόματη δρομολόγηση εγγράφων: άμεση εξαγωγή αν υπάρχει κείμενο, OCR αλλιώς.
QA σάρωσηςΕντοπίστε σελίδες κακής ποιότητας (πολύ λίγο κείμενο, κυρίαρχες εικόνες) σε μια παρτίδα σαρώσεων.

Αυτό που αποκτάτε

Ένα διαγνωστικό JSON ανά σελίδα: παρουσία κειμένου, αναλογία περιεχομένου εικόνας, δείκτες "σάρωσης" (σύμφωνα με τις ευρετικές).

Δείκτες για προτεραιοποίηση του OCR (σελίδες προς επεξεργασία, σελίδες ήδη εκμεταλλεύσιμες).

Περιορισμοί και σημεία προσοχής

Ευρετική ανίχνευση: ορισμένα γραφικά PDF (κατάλογοι, διαφάνειες) μπορεί να μοιάζουν με σαρώσεις χωρίς να είναι.
Ορισμένα PDF μπορεί να περιέχουν "κρυφό κείμενο" (OCR έχει ήδη γίνει): το εργαλείο το ανιχνεύει αλλά η ποιότητα μπορεί να διαφέρει.
Η πραγματική ποιότητα του OCR θα εξαρτηθεί από την ανάλυση, την αντίθεση και τη γλώσσα — δεν αξιολογούνται λεπτομερώς εδώ.

Συχνές ερωτήσεις

Μπορεί μια σάρωση να περιέχει επιλέξιμο κείμενο;

Ναι, αν έχει εφαρμοστεί OCR: η εικόνα παραμένει, αλλά προστίθεται μια στρώση κειμένου.

Κάνει το εργαλείο OCR;

Όχι. Ανιχνεύει και διαγιγνώσκει. Το OCR είναι ένα ξεχωριστό βήμα.

Γιατί μια σελίδα κατατάσσεται ως “σάρωση” ενώ βλέπω κείμενο;

Το ορατό κείμενο μπορεί να είναι μια εικόνα (απεικόνιση), όχι διανυσματικό κείμενο. Η διάγνωση βασίζεται στο εσωτερικό περιεχόμενο.

Συμβουλή

Πριν επενδύσετε χρόνο στην εξαγωγή, ανιχνεύστε τις σαρώσεις: είναι ο πιο απλός τρόπος να αποφύγετε το "κυνήγι" κειμένου που δεν υπάρχει χωρίς OCR.