Tukuyin kung ang isang PDF ay na-scan

Suriin ang isang PDF upang tantiyahin kung ito ay nagmula sa isang scan (mga imahe sa mga pahina, kawalan ng mga font, mga palatandaan ng CCITT/JBIG2) at i-export ang diagnosis sa JSON, lokal sa iyong browser.

Mag-import ng PDF

Walang data na ipinapadala sa isang server: lahat ay nangyayari sa iyong browser.

← Bumalik sa mga tool ng PDF

Mga kaso ng paggamit

Magpasya tungkol sa isang OCRMabilis na malaman kung kinakailangan ang OCR bago ang indexing/full-text search.
Kontrolin ang accessibilityTukuyin ang mga "image" na PDF na hindi mapipili (madalas na hindi accessible) na kailangang ayusin.
Extraction pipelineAwtomatikong i-route ang mga dokumento: direktang extraction kung may teksto, OCR kung hindi.
QA ng pag-scanTukuyin ang mga pahina na may mababang kalidad (masyadong kaunting teksto, nangingibabaw na mga imahe) sa isang batch ng mga scan.

Ito ang makukuha mo

Isang JSON diagnostic bawat pahina: pagkakaroon ng teksto, proporsyon ng nilalaman ng imahe, mga palatandaan ng "scan" (ayon sa heuristics).

Mga tagapagpahiwatig upang bigyang-priyoridad ang OCR (mga pahina na dapat iproseso, mga pahina na maaaring gamitin na).

Mga limitasyon at mga punto ng atensyon

Heuristic detection: ang ilang mga graphic PDF (mga katalogo, slides) ay maaaring magmukhang mga scan nang hindi.
Ang mga PDF ay maaaring maglaman ng "nakatagong teksto" (OCR na nagawa na): natutukoy ito ng tool ngunit ang kalidad ay maaaring mag-iba.
Ang aktwal na kalidad ng OCR ay nakasalalay sa resolusyon, kaibahan, at wika — hindi ito masusing nasusuri dito.

Mga madalas na tanong

Maaari bang maglaman ng mapipiling teksto ang isang scan?

Oo, kung ang isang OCR ay naipapatupad: nananatili ang imahe, ngunit may idinagdag na layer ng teksto.

Gumagawa ba ang tool ng OCR?

Hindi. Ito ay nag-detect at nag-diagnose. Ang OCR ay isang hiwalay na hakbang.

Bakit ang isang pahina ay nakategorya bilang “scan” kahit na nakikita ko ang teksto?

Ang nakikitang teksto ay maaaring isang imahe (rendered), hindi vector na teksto. Ang diagnosis ay batay sa panloob na nilalaman.

Tip

Bago mag-invest ng oras sa extraction, tukuyin ang mga scan: ito ang pinakamadaling paraan upang maiwasan ang "paghahanap" ng teksto na hindi umiiral nang walang OCR.