EpubCCHoe weet ik of mijn PDF gescand is?
Bijgewerkt:
Open de PDF en probeer een zin te selecteren of zoek naar een woord dat je op de pagina kunt zien: als niets wordt geselecteerd of gevonden, is de pagina een afbeelding en de PDF is gescand. Als je de tekst kunt selecteren maar deze plakt als onzin, heeft de PDF een beschadigde of slechte OCR tekstlaag.
Vier snelle checks
- Selecteer tekst: sleep over een regel in een PDF viewer. Een gescreende pagina selecteert als één blok, of niets.
- Zoeken: zoek naar een woord dat je kunt zien. Geen overeenkomst op een gescreende pagina zonder OCR.
- Zoom veel in: echte tekst blijft scherp bij elke zoom; een scan wordt onscherp of toont pixels en papiertekstuur.
- Kopieer en plak een alinea in een teksteditor: schone tekst betekent een bruikbare tekstlaag; ontbrekende spaties, verkeerde letters of symbolen betekenen een zwakke OCR-laag of lettertypen zonder een Unicode-kaart.
Gemengde PDF's
Sommige PDFs mixen beide: een digitale body met een paar gescande pagina's (handtekeningen, oude figuren, ingevoegde bijlagen), of een gescand boek met een onzichtbare OCR-laag toegevoegd door de bibliotheek die het gedigitaliseerd heeft. Controleer een paar pagina's uit verschillende delen van het bestand, niet alleen de eerste.
Waarom het belangrijk is voor conversie naar EPUB
Een herbruikbare EPUB wordt gemaakt van tekst. Een gescande pagina heeft er geen totdat OCR het herkent, en de EPUB erft elke OCR fout. EpubCC leest gescande pagina's met OCR, gratis voor PDF's tot 10 pagina's en op Pro en Business daarboven, en het kwaliteitsrapport vermeldt ze in plaats van ze te verbergen. Een scan die al een verborgen tekstlaag heeft, wordt gelezen vanaf die laag, met welke fouten deze ook heeft.
Bewijs van de benchmark
| Motor | 8-gram herinnering |
|---|---|
| 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 |
Converteer je PDF gratis
Tot 3 hele boeken per dag gratis. Geen account nodig.