Detectar se um PDF é escaneado

Analise um PDF para estimar se ele provém de um escaneamento (imagens nas páginas, ausência de fontes, índices CCITT/JBIG2) e exporte o diagnóstico em JSON, localmente no seu navegador.

Importar um PDF

Nenhum dado é enviado para um servidor: tudo é feito no seu navegador.

← Voltar às ferramentas PDF

Casos de uso

Decidir sobre um OCRSaber rapidamente se o OCR é necessário antes da indexação/pesquisa de texto completo.
Controle de acessibilidadeIdentificar PDFs "imagens" não selecionáveis (frequentemente não acessíveis) a serem corrigidos.
Pipeline de extraçãoRoteirizar automaticamente os documentos: extração direta se texto presente, OCR caso contrário.
QA de digitalizaçãoIdentificar páginas de baixa qualidade (pouco texto, imagens dominantes) em um lote de digitalizações.

O que você obtém

Um diagnóstico JSON por página: presença de texto, proporção de conteúdo de imagem, índices de "scan" (de acordo com heurísticas).

Indicadores para priorizar o OCR (páginas a serem processadas, páginas já utilizáveis).

Limites e pontos de atenção

Detecção heurística: alguns PDFs gráficos (catálogos, slides) podem parecer scans sem serem.
PDFs podem conter "texto oculto" (OCR já feito): a ferramenta o detecta, mas a qualidade pode variar.
A qualidade real do OCR dependerá da resolução, do contraste e do idioma — não avaliados detalhadamente aqui.

Perguntas frequentes

Um scan pode conter texto selecionável?

Sim, se um OCR foi aplicado: a imagem permanece, mas uma camada de texto é adicionada.

A ferramenta faz o OCR?

Não. Ela detecta e diagnostica. O OCR é uma etapa separada.

Por que uma página é classificada como “digitalização” se eu vejo texto?

O texto visível pode ser uma imagem (renderização), não texto vetorial. O diagnóstico se baseia no conteúdo interno.

Dica

Antes de investir tempo na extração, detecte os scans: é a maneira mais simples de evitar "caçar" texto que não existe sem OCR.