Mendeteksi apakah sebuah PDF dipindai

Analisis sebuah PDF untuk memperkirakan apakah itu berasal dari pemindaian (gambar di halaman, tidak ada font, petunjuk CCITT/JBIG2) dan ekspor diagnosis dalam JSON, secara lokal di browser Anda.

Impor PDF

Tidak ada data yang dikirim ke server: semua dilakukan di browser Anda.

← Kembali ke alat PDF

Kasus penggunaan

Memutuskan OCRMengetahui dengan cepat apakah OCR diperlukan sebelum pengindeksan/pencarian teks penuh.
Kontrol aksesibilitasMengidentifikasi PDF "gambar" yang tidak dapat dipilih (sering kali tidak dapat diakses) untuk diperbaiki.
Pipeline ekstraksiMengalihkan dokumen secara otomatis: ekstraksi langsung jika teks ada, OCR jika tidak.
QA pemindaianMendeteksi halaman berkualitas rendah (terlalu sedikit teks, gambar dominan) dalam satu set pemindaian.

Apa yang Anda dapatkan

Sebuah diagnosis JSON per halaman: keberadaan teks, proporsi konten gambar, indikator "pemindaian" (berdasarkan heuristik).

Indikator untuk memprioritaskan OCR (halaman yang perlu diproses, halaman yang sudah dapat digunakan).

Batasan dan perhatian

Deteksi heuristik: beberapa PDF grafis (katalog, slide) dapat terlihat seperti pemindaian tanpa menjadi.
Beberapa PDF dapat mengandung "teks tersembunyi" (OCR sudah dilakukan): alat mendeteksinya tetapi kualitasnya dapat bervariasi.
Kualitas sebenarnya dari OCR akan bergantung pada resolusi, kontras, dan bahasa — tidak dievaluasi secara mendetail di sini.

Pertanyaan yang sering diajukan

Apakah pemindaian dapat mengandung teks yang dapat dipilih?

Ya, jika OCR telah diterapkan: gambar tetap ada, tetapi lapisan teks ditambahkan.

Apakah alat ini melakukan OCR?

Tidak. Ia mendeteksi dan mendiagnosis. OCR adalah langkah terpisah.

Mengapa sebuah halaman diklasifikasikan sebagai “pemindaian” padahal saya melihat teks?

Teks yang terlihat bisa jadi adalah gambar (render), bukan teks vektor. Diagnosis didasarkan pada konten internal.

Tip

Sebelum menginvestasikan waktu untuk ekstraksi, deteksi pemindaian: ini adalah cara paling sederhana untuk menghindari "mencari" teks yang tidak ada tanpa OCR.