EpubCCJak zjistím, zda je můj PDF naskenovaný?
Aktualizováno:
Otevřete PDF a zkuste vybrat větu nebo hledat slovo, které vidíte na stránce: pokud se nic nevybere nebo nenajde, stránka je obrázek a PDF je skenováno. Pokud můžete vybrat text, ale při kopírování se zobrazuje jako nesmysl, má PDF poškozenou nebo špatnou OCR textovou vrstvu.
Čtyři rychlé kontroly
- Vybrat text: táhněte přes řádek v jakémkoliv PDF prohlížeči. Naskenovaná stránka se vybere jako jeden blok nebo nic.
- Hledat: hledejte slovo, které vidíte. Na naskenované stránce bez OCR není shoda.
- Hodně přiblížit: skutečný text zůstává ostrý při jakémkoliv přiblížení; sken se stává rozmazaným nebo ukazuje pixely a texturu papíru.
- Zkopírujte a vložte odstavec do textového editoru: čistý text znamená použivatelnou textovou vrstvu; chybějící mezery, nesprávné písmena nebo symboly znamenají slabou vrstvu OCR nebo písma bez Unicode mapy.
Smíšená PDF
Některé PDF mísí obojí: digitální tělo s několika naskenovanými stránkami (podpisy, staré obrázky, vložené přílohy) nebo naskenovanou knihu s neviditelnou OCR vrstvou přidanou knihovnou, která ji digitalizovala. Zkontrolujte několik stránek z různých částí souboru, nejen první.
Proč je to důležité pro převod na EPUB
Reflowovatelný EPUB je vytvořen z textu. Naskenovaná stránka nedisponuje žádným textem, dokud OCR jej nerozpozná, a EPUB zdědí každou chybu OCR. EpubCC čte naskenované stránky pomocí OCR, zdarma na PDF do 10 stran a na Pro a Business nad tuto hranici, a kvalitní zpráva je vyjmenovává místo toho, aby je skrývala. Skener, který už má skrytou vrstvu textu, čte z této vrstvy, s jakýmikoli chybami, které obsahuje.
Důkazy z benchmarku
| Stroj | 8-gramová recall |
|---|---|
| EpubCC engine (EPUB output) | 0.845 |
| EpubCC engine (plain text) | 0.829 |
| pdf_oxide · extract_text | 0.740 |
| pdf_oxide · to_plain_text (XY-cut) | 0.694 |
| pdf_oxide · Markdown | 0.692 |
| PDFium · text().all() | 0.756 |
| OpenDataLoader PDF (local mode) | 0.734 |
| pdftotext (Poppler) | 0.755 |
| Calibre · ebook-convert (EPUB output) | 0.726 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.845 |
| Dokument | EpubCC engine (EPUB output) | EpubCC engine (plain text) | pdf_oxide · extract_text | pdf_oxide · to_plain_text (XY-cut) | pdf_oxide · Markdown | PDFium · text().all() | OpenDataLoader PDF (local mode) | pdftotext (Poppler) | Calibre · ebook-convert (EPUB output) | EpubCC engine (EPUB, same extractor as Calibre) |
|---|---|---|---|---|---|---|---|---|---|---|
| Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive) | 0.579 | 0.544 | 0.632 | 0.639 | 0.524 | 0.651 | 0.625 | 0.156 | — | 0.579 |
Převést váš PDF zdarma
Až 3 celé knihy denně zdarma. Účet není potřebný.