EpubCCHvordan ved jeg, om min PDF er scannet?
Opdateret:
Åbn PDF og prøv at vælge en sætning eller søge efter et ord, du kan se på siden: hvis intet bliver valgt eller fundet, er siden et billede, og PDF er scannet. Hvis du kan vælge teksten, men den indsættes som skrift, har PDF et beskadiget eller dårligt OCR tekstlag.
Fire hurtige tjek
- Vælg tekst: træk over en linje i en hvilken som helst PDF-viewer. En scannet side vælges som en blok, eller ingenting.
- Søg: se efter et ord, du kan se. Ingen match på en scannet side uden OCR.
- Zoom ind meget: rigtig tekst forbliver skarp ved enhver zoom; en scanning bliver uklar eller viser pixels og papirets struktur.
- Kopier og indsæt et afsnit i en teksteditor: rent tekst betyder et brugbart tekstlag; manglende mellemrum, forkerte bogstaver eller symboler betyder et svagt OCR lag eller skrifttyper uden et Unicode kort.
Blandede PDF'er
Nogle PDFs blander begge: en digital krop med nogle scannede sider (signaturer, gamle figurer, indsatte bilag), eller en scannet bog med et usynligt OCR lag tilføjet af det bibliotek, der digitaliserede den. Tjek nogle sider fra forskellige dele af filen, ikke kun den første.
Hvorfor det betyder noget for konvertering til EPUB
En reflowable EPUB er lavet af tekst. En scannet side har ingen, indtil OCR genkender den, og EPUB arver hver OCR fejl. EpubCC læser scannede sider med OCR, gratis på PDF'er op til 10 sider og på Pro og Business derudover, og kvalitetsrapporten opregner dem i stedet for at skjule dem. En scan, der allerede bærer et skjult tekstlag, læses fra det lag, med hvilke fejl det har.
Bevis fra benchmark
| Motor | 8-gram tilbagekaldelse |
|---|---|
| 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 |
Konvertér din PDF gratis
Op til 3 hele bøger om dagen gratis. Ingen konto nødvendig.