EpubCCComment savoir si mon PDF est scanné ?
Mis à jour :
Ouvrez le PDF et essayez de sélectionner une phrase ou de rechercher un mot que vous pouvez voir sur la page : si rien n'est sélectionné ou trouvé, la page est une image et le PDF est scanné. Si vous pouvez sélectionner le texte mais qu'il colle sous forme de charabia, le PDF a une couche de texte endommagée ou de mauvaise qualité OCR.
Quatre vérifications rapides
- Sélectionner du texte : faites glisser à travers une ligne dans n'importe quel visionneuse PDF. Une page numérisée sélectionne comme un seul bloc, ou rien.
- Recherche : cherchez un mot que vous pouvez voir. Aucune correspondance sur une page numérisée sans OCR.
- Zoomer beaucoup : le vrai texte reste net à n'importe quel zoom ; un scan devient flou ou montre des pixels et la texture du papier.
- Copiez et collez un paragraphe dans un éditeur de texte : un texte propre signifie une couche de texte utile ; les espaces manquants, les lettres ou symboles incorrects signifient une couche de OCR faible ou des polices sans carte Unicode.
PDFs mixtes
Certains PDF mélangent les deux : un corps numérique avec quelques pages numérisées (signatures, anciennes figures, annexes insérées), ou un livre numérisé avec une couche OCR invisible ajoutée par la bibliothèque qui l'a numérisé. Vérifiez quelques pages de différentes parties du fichier, pas seulement la première.
Pourquoi c'est important pour la conversion en EPUB
Un EPUB reflowable est constitué de texte. Une page scannée n'en contient aucun jusqu'à ce que OCR le reconnaisse, et le EPUB hérite de chaque erreur OCR. EpubCC lit les pages scannées avec OCR, gratuitement sur les PDF de jusqu'à 10 pages et sur Pro et Business au-delà, et le rapport de qualité les liste au lieu de les cacher. Un scan qui comporte déjà une couche de texte caché est lu à partir de cette couche, avec les erreurs qu'elle contient.
Éléments de preuve du benchmark
| Moteur | rappel 8-gram |
|---|---|
| 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 |
| Document | 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 |
Convertir votre PDF gratuitement
Jusqu'à 3 livres entiers par jour gratuits. Aucun compte nécessaire.