Gundua ikiwa PDF imepigwa picha

Changanua PDF ili kukadiria ikiwa inatokana na picha (picha kwenye kurasa, ukosefu wa fonti, viashiria vya CCITT/JBIG2) na uhamasisha uchambuzi huo kwa JSON, ndani ya kivinjari chako.

Ingiza PDF

Hakuna data inayotumwa kwenye seva: kila kitu kinafanyika ndani ya kivinjari chako.

← Rudi kwa zana za PDF

Mifano ya matumizi

Kufanya uamuzi kuhusu OCRKujua haraka ikiwa OCR inahitajika kabla ya uorodheshaji/utafutaji wa maandiko.
Udhibiti wa upatikanajiTambua PDF "picha" zisizoweza kuchaguliwa (mara nyingi hazipatikani) zinazohitaji kurekebishwa.
Mchakato wa uchimbajiIpeleke moja kwa moja hati: uchimbaji wa moja kwa moja ikiwa maandiko yapo, OCR vinginevyo.
QA ya skanaTambua kurasa za ubora duni (maandishi machache, picha nyingi) katika kundi la skana.

Unachopata

Uchambuzi wa JSON kwa kila ukurasa: uwepo wa maandiko, uwiano wa maudhui ya picha, viashiria vya "skani" (kulingana na heuristics).

Viashiria vya kipaumbele kwa OCR (kurasa za kushughulikia, kurasa ambazo tayari zinaweza kutumika).

Mipaka na mambo ya kuzingatia

Ugunduzi wa heuristics: baadhi ya PDF za picha (katalogi, slaidi) zinaweza kuonekana kama skani bila kuwa hivyo.
PDF zinaweza kuwa na "maandishi yaliyofichwa" (OCR tayari imefanywa): zana inagundua lakini ubora unaweza kutofautiana.
Ubora halisi wa OCR utaegemea azimio, muktadha na lugha — siyo tathmini kwa undani hapa.

Maswali ya mara kwa mara

Je, skani inaweza kuwa na maandiko yanayoweza kuchaguliwa?

Ndio, ikiwa OCR imewekwa: picha inabaki, lakini safu ya maandiko inaongezwa.

Je, zana inafanya OCR?

Hapana. Inagundua na kuchambua. OCR ni hatua tofauti.

Kwa nini ukurasa umeainishwa kama “skana” wakati naona maandiko?

Maandishi yanayoonekana yanaweza kuwa picha (rendition), si maandiko ya vector. Uchambuzi unategemea maudhui ya ndani.

Kidokezo

Kabla ya kuwekeza muda katika uchimbaji, gundua skani: hii ndiyo njia rahisi ya kuepuka "kufuatilia" maandiko yasiyopo bila OCR.