ユースケース
- OCRの決定インデックス作成/フルテキスト検索の前に、OCRが必要かどうかを迅速に知る。
- アクセシビリティの確認修正が必要な選択できない「画像」PDFを特定します（しばしばアクセス不可）。
- 抽出パイプライン文書を自動的にルーティングします：テキストが存在する場合は直接抽出、そうでない場合はOCR。
- スキャンのQAスキャンのバッチ内で、質の悪いページ（テキストが少なすぎる、画像が支配的）を特定します。
このカテゴリを共有
この種のツールを探している人を知っていますか？
PDFがスキャンされたかどうかを検出する
PDFを分析して、スキャンからのものであるかどうかを推定します（ページ上の画像、フォントの不在、CCITT/JBIG2のインジケーター）し、診断をJSON形式でエクスポートします。ブラウザ内でローカルに。
PDFをインポートする
データはサーバーに送信されません：すべてブラウザ内で行われます。
類似のツール
暗号化 & PDFの権限PDFが暗号化されているか、どの権限が有効になっているかを検出し、診断をエクスポートする。
線形化されたPDF（ファストウェブビュー）PDFが線形化されているかどうかを検出し、状態と指標をエクスポートします。
フォントの埋め込みを確認する埋め込まれていない（または部分的に）フォントをリストし、レポートをエクスポートする。
PDF → JSON フィールドPDFフォーム（AcroForm）のフィールドリストをJSON形式でエクスポートします。
PDF メタデータ → JSONタイトル、著者、日付、ページ数、ドキュメント情報を JSON 形式でエクスポートします。
PDF 目次 → JSONPDFの目次（ブックマーク）を抽出し、JSON形式でエクスポートします。
について：PDFスキャン検出器
PDFがスキャン（画像のみ）か、利用可能なテキストを含むかを検出し、OCR、アクセシビリティ、抽出のためにページごとにJSON診断をエクスポートします。
得られるもの
ページごとのJSON診断：テキストの存在、画像コンテンツの割合、「スキャン」の指標（ヒューリスティックに基づく）。
処理すべきページ、すでに利用可能なページのためのOCRの優先順位を付ける指標。
制限事項と注意点
- ヒューリスティック検出：一部のグラフィックPDF（カタログ、スライド）は、スキャンに見えることがありますが、実際にはそうではありません。
- PDFには「隠れたテキスト」（すでにOCRが行われたもの）が含まれている場合があります：ツールはそれを検出しますが、品質は異なる場合があります。
- OCRの実際の品質は、解像度、コントラスト、言語に依存します — ここでは詳細に評価されません。
よくある質問
スキャンには選択可能なテキストが含まれることがありますか？
はい、OCRが適用されている場合：画像は残りますが、テキスト層が追加されます。
ツールはOCRを行いますか？
いいえ。検出と診断を行います。OCRは別のステップです。
なぜページが「スキャン」と分類されているのに、テキストが見えるのですか？
見えるテキストは画像（レンダリング）であり、ベクターテキストではない場合があります。診断は内部の内容に基づいています。
ヒント
抽出に時間を投資する前に、スキャンを検出してください：OCRなしで存在しないテキストを「追いかける」最も簡単な方法です。