Обнаружить, является ли PDF отсканированным

Анализируйте PDF, чтобы оценить, поступил ли он из сканирования (изображения на страницах, отсутствие шрифтов, индексы CCITT/JBIG2) и экспортируйте диагностику в JSON, локально в вашем браузере.

Импортировать PDF

Никакие данные не отправляются на сервер: все происходит в вашем браузере.

← Вернуться к инструментам PDF

Сценарии использования

Решение по OCRБыстро узнать, необходим ли OCR перед индексацией/поиском по полному тексту.
Контроль доступностиИдентификация "изображений" PDF, которые не могут быть выбраны (часто недоступные) для исправления.
Pipeline извлеченияАвтоматическая маршрутизация документов: прямая извлечение, если текст присутствует, иначе OCR.
QA сканированияОбнаружить страницы низкого качества (слишком мало текста, доминирующие изображения) в партии сканов.

То, что вы получаете

JSON-диагноз по странице: наличие текста, доля контента изображения, индикаторы "скана" (в соответствии с эвристиками).

Индикаторы для приоритизации OCR (страницы для обработки, страницы, уже доступные для использования).

Ограничения и моменты внимания

Эвристическое обнаружение: некоторые графические PDF (каталоги, слайды) могут выглядеть как сканы, не будучи таковыми.
PDF могут содержать "скрытый текст" (OCR уже выполнен): инструмент его обнаруживает, но качество может варьироваться.
Фактическое качество OCR будет зависеть от разрешения, контраста и языка — здесь не оценивалось точно.

Часто задаваемые вопросы

Может ли скан содержать выбираемый текст?

Да, если был применен OCR: изображение остается, но добавляется текстовый слой.

Делает ли инструмент OCR?

Нет. Он обнаруживает и диагностирует. OCR - это отдельный этап.

Почему страница классифицируется как «скан», если я вижу текст?

Видимый текст может быть изображением (рендерингом), а не векторным текстом. Диагностика основана на внутреннем содержимом.

Совет

Перед тем как инвестировать время в извлечение, обнаружьте сканы: это самый простой способ избежать "поиска" текста, которого нет без OCR.