Detekovať, či je PDF skenované

Analyzujte PDF, aby ste odhadli, či pochádza zo skenu (obrázky na stránkach, absencia písiem, indikátory CCITT/JBIG2) a exportujte diagnostiku do JSON, lokálne vo vašom prehliadači.

Importovať PDF

Žiadne údaje nie sú odosielané na server: všetko sa deje vo vašom prehliadači.

← Návrat k PDF nástrojom

Prípad použitia

Rozhodnúť o OCRRýchlo zistiť, či je OCR potrebné pred indexovaním/hľadaním plného textu.
Kontrola prístupnostiIdentifikovať „obrázkové“ PDF, ktoré nie sú vyberateľné (často neprístupné) na opravu.
Pipeline extrakcieAutomaticky smerovať dokumenty: priamu extrakciu, ak je prítomný text, inak OCR.
QA skenovaniaIdentifikovať stránky zlej kvality (príliš málo textu, dominantné obrázky) v dávke skenov.

To, čo získate

Diagnostika JSON na stránku: prítomnosť textu, podiel obsahu obrázku, indikátory „skenu“ (podľa heuristík).

Indikátory na priorizáciu OCR (strany na spracovanie, už použiteľné strany).

Obmedzenia a body pozornosti

Heuristická detekcia: niektoré grafické PDF (katalógy, prezentácie) môžu vyzerať ako skeny, aj keď nie sú.
PDF môžu obsahovať „skrytý text“ (OCR už vykonané): nástroj ho detekuje, ale kvalita sa môže líšiť.
Skutočná kvalita OCR bude závisieť od rozlíšenia, kontrastu a jazyka — tu nie sú presne hodnotené.

Často kladené otázky

Môže sken obsahovať vyberateľný text?

Áno, ak bolo aplikované OCR: obrázok zostáva, ale je pridaná textová vrstva.

Robí nástroj OCR?

Nie. Detekuje a diagnostikuje. OCR je samostatný krok.

Prečo je stránka klasifikovaná ako “sken”, keď vidím text?

Viditeľný text môže byť obrázok (rendrovanie), nie vektorový text. Diagnóza sa zakladá na vnútornom obsahu.

Tip

Pred investovaním času do extrakcie detekujte skeny: je to najjednoduchší spôsob, ako sa vyhnúť „hľadaniu“ textu, ktorý neexistuje bez OCR.