Oppdag om en PDF er skannet

Analyser en PDF for å estimere om den kommer fra en skanning (bilder på sidene, fravær av fonter, CCITT/JBIG2-indikatorer) og eksporter diagnosen i JSON, lokalt i nettleseren din.

Importer en PDF

Ingen data sendes til en server: alt skjer i nettleseren din.

← Tilbake til PDF-verktøy

Bruksområder

Bestemme behov for OCRRaskt finne ut om OCR er nødvendig før indeksering/fulltekstsøk.
TilgjengelighetskontrollIdentifisere "bilde"-PDF-er som ikke kan velges (ofte ikke tilgjengelige) som må rettes.
EkstraksjonspipelineAutomatisk rute dokumenter: direkte ekstraksjon hvis tekst er til stede, OCR ellers.
Scanning QAIdentify low-quality pages (too little text, dominant images) in a batch of scans.

Det du får

En JSON-diagnose per side: tilstedeværelse av tekst, andel bildeinnhold, indikasjoner på "skann" (i henhold til heuristikker).

Indikatorer for å prioritere OCR (sider som må behandles, sider som allerede er brukbare).

Begrensninger og oppmerksomhetspunkter

Heuristisk deteksjon: noen grafiske PDF-er (kataloger, lysbilder) kan se ut som skann uten å være det.
PDF-er kan inneholde "skjult tekst" (OCR allerede gjort): verktøyet oppdager det, men kvaliteten kan variere.
The actual quality of the OCR will depend on resolution, contrast, and language — not finely evaluated here.

Vanlige spørsmål

Kan et skann inneholde velgbar tekst?

Ja, hvis OCR har blitt brukt: bildet forblir, men et tekstlag legges til.

Gjør verktøyet OCR?

Nei. Det oppdager og diagnostiserer. OCR er et separat trinn.

Why is a page classified as "scan" when I see text?

The visible text may be an image (rendered), not vector text. The diagnosis is based on the internal content.

Tips

Før du investerer tid i ekstraksjon, oppdag skann: det er den enkleste måten å unngå å "jakte" på tekst som ikke eksisterer uten OCR.