EpubCC¿Cómo sé si mi PDF está escaneado?
Actualizado:
Abre el PDF y trata de seleccionar una oración o buscar una palabra que puedas ver en la página: si no se selecciona ni se encuentra nada, la página es una imagen y el PDF está escaneado. Si puedes seleccionar el texto pero se copia como un galimatías, el PDF tiene una capa de texto dañada o deficiente OCR.
Cuatro verificaciones rápidas
- Seleccionar texto: arrastra sobre una línea en cualquier visor de PDF. Una página escaneada se selecciona como un bloque, o nada.
- Buscar: busque una palabra que pueda ver. Sin coincidencias en una página escaneada sin OCR.
- Acércate mucho: el texto real se mantiene nítido en cualquier zoom; un escaneo se vuelve borroso o muestra píxeles y textura de papel.
- Copia y pega un párrafo en un editor de texto: el texto limpio significa una capa de texto utilizable; los espacios faltantes, letras o símbolos incorrectos significan una capa de OCR débil o fuentes sin un mapa Unicode.
PDFs mixtos
Algunos PDFs mezclan ambos: un cuerpo digital con algunas páginas escaneadas (firmas, figuras antiguas, apéndices insertados), o un libro escaneado con una capa de OCR invisible añadida por la biblioteca que lo digitalizó. Revisa algunas páginas de diferentes partes del archivo, no solo la primera.
Por qué importa para convertir a EPUB
Un EPUB refluido se hace a partir de texto. Una página escaneada no tiene ninguno hasta que OCR lo reconozca, y el EPUB hereda cada error de OCR. EpubCC lee páginas escaneadas con OCR, gratis en PDFs de hasta 10 páginas y en Pro y Business más allá de eso, y el informe de calidad los enumera en lugar de ocultarlos. Un escaneo que ya tiene una capa de texto oculta se lee desde esa capa, con los errores que tenga.
Evidencia del benchmark
| Motor | recuperación de 8-gramas |
|---|---|
| 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 |
| Documento | 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 |
Convierte tu PDF gratis
Hasta 3 libros completos al día gratis. No se necesita cuenta.