Визначити, чи PDF відскановано

Аналізуйте PDF, щоб оцінити, чи він походить зі сканування (зображення на сторінках, відсутність шрифтів, індикатори CCITT/JBIG2) та експортуйте діагностику у JSON, локально у вашому браузері.

Імпортувати PDF

Жодні дані не надсилаються на сервер: все відбувається у вашому браузері.

← Повернутися до PDF-інструментів

Випадки використання

Визначити необхідність OCRШвидко дізнатися, чи потрібен OCR перед індексацією/пошуком по всьому тексту.
Контроль доступностіВизначити “недоступні” PDF “зображення” (часто недоступні) для виправлення.
Потік витягуванняАвтоматично маршрутизувати документи: пряма витягування, якщо текст присутній, OCR в іншому випадку.
QA скануванняВиявлення сторінок поганої якості (занадто мало тексту, домінуючі зображення) у партії сканів.

Що ви отримуєте

Діагностика JSON по сторінках: наявність тексту, частка вмісту зображення, індикатори “скану” (згідно з евристиками).

Індикатори для пріоритизації OCR (сторінки для обробки, сторінки, які вже можна використовувати).

Обмеження та моменти уваги

Евристичне виявлення: деякі графічні PDF (каталоги, слайди) можуть виглядати як скани, не будучи ними.
PDF можуть містити “прихований текст” (OCR вже виконано): інструмент його виявляє, але якість може варіюватися.
Справжня якість OCR залежатиме від роздільної здатності, контрасту та мови — тут не оцінюється детально.

Поширені запитання

Чи може скан містити вибираємий текст?

Так, якщо був застосований OCR: зображення залишається, але додається текстовий шар.

Чи виконує інструмент OCR?

Ні. Він виявляє та діагностує. OCR є окремим етапом.

Чому сторінка класифікується як “скан”, хоча я бачу текст?

Видимий текст може бути зображенням (рендерингом), а не векторним текстом. Діагностика базується на внутрішньому вмісті.

Порада

Перед тим, як витрачати час на витягування, виявляйте скани: це найпростіший спосіб уникнути “полювання” на текст, якого немає без OCR.