Tunnista, onko PDF skannattu

Analysoi PDF arvioidaksesi, onko se peräisin skannauksesta (kuvia sivuilla, fonttien puuttuminen, CCITT/JBIG2-viitteet) ja vie diagnoosi JSON-muodossa paikallisesti selaimessasi.

Tuo PDF

Yhtään tietoa ei lähetetä palvelimelle: kaikki tapahtuu selaimessasi.

← Takaisin PDF-työkaluihin

Käyttötapaukset

Päätä OCR:stäTiedä nopeasti, onko OCR tarpeen ennen indeksointia/tekstihaun.
Saavutettavuuden tarkistusTunnista "kuva" PDF:t, joita ei voi valita (usein ei saavutettavia) korjattavaksi.
PoimintaputkiReititä asiakirjat automaattisesti: suora poiminta, jos tekstiä on, muuten OCR.
Skannauslaadun varmistusTunnista huonolaatuiset sivut (liian vähän tekstiä, hallitsevat kuvat) skannatuista eristä.

Mitä saat

Diagnostiikka JSON-muodossa sivukohtaisesti: tekstin läsnäolo, kuvasisällön osuus, "skannaus"-indikaattorit (heuristiikoiden mukaan).

Indikaattorit OCR:n priorisoimiseksi (käsiteltävät sivut, jo käytettävissä olevat sivut).

Rajoitukset ja huomioitavat seikat

Heuristinen tunnistus: jotkut graafiset PDF:t (esitteet, esitykset) voivat näyttää skannauksilta, vaikka ne eivät ole.
PDF:t voivat sisältää "piilotettua tekstiä" (OCR on jo tehty): työkalu tunnistaa sen, mutta laatu voi vaihdella.
OCR:n todellinen laatu riippuu resoluutiosta, kontrastista ja kielestä — ei arvioitu tarkasti tässä.

Usein kysytyt kysymykset

Voiko skannaus sisältää valittavaa tekstiä?

Kyllä, jos OCR on sovellettu: kuva pysyy, mutta tekstikerros lisätään.

Tehdäänkö OCR työkalulla?

Ei. Se tunnistaa ja diagnosoi. OCR on erillinen vaihe.

Miksi sivu luokitellaan "skanniksi", vaikka näen tekstiä?

Näkyvä teksti voi olla kuva (renderöinti), ei vektoritekstiä. Diagnostiikka perustuu sisäiseen sisältöön.

Vinkki

Ennen kuin investoit poiminta-aikaa, tunnista skannaukset: tämä on helpoin tapa välttää "tekstin metsästämistä", jota ei ole ilman OCR:ää.