EpubCCComo sei se meu PDF está escaneado?
Atualizado:
Abra o PDF e tente selecionar uma frase ou procurar uma palavra que você possa ver na página: se nada for selecionado ou encontrado, a página é uma imagem e o PDF é escaneado. Se você puder selecionar o texto, mas colar como uma mistura de caracteres, o PDF tem uma camada de texto danificada ou ruim OCR.
Quatro verificações rápidas
- Selecione o texto: arraste ao longo de uma linha em qualquer visualizador PDF. Uma página digitalizada é selecionada como um bloco, ou nada.
- Pesquisar: procure uma palavra que você possa ver. Sem correspondência em uma página escaneada sem OCR.
- Amplie bastante: texto real permanece nítido em qualquer zoom; uma digitalização torna-se borrada ou mostra pixels e textura do papel.
- Copie e cole um parágrafo em um editor de texto: texto limpo significa uma camada de texto utilizável; espaços ausentes, letras ou símbolos errados significam uma camada OCR fraca ou fontes sem um mapa Unicode.
PDFs mistos
Alguns PDFs misturam ambos: um corpo digital com algumas páginas digitalizadas (assinaturas, figuras antigas, apêndices inseridos), ou um livro digitalizado com uma camada OCR invisível adicionada pela biblioteca que o digitalizou. Verifique algumas páginas de diferentes partes do arquivo, não apenas as primeiras.
Por que isso é importante para converter para EPUB
Um EPUB reflowable é feito a partir de texto. Uma página digitalizada não tem nenhum até que OCR o reconheça, e o EPUB herda cada erro de OCR. EpubCC lê páginas digitalizadas com OCR, gratuitamente em PDFs de até 10 páginas e no Pro e Business além disso, e o relatório de qualidade lista esses erros em vez de escondê-los. Uma digitalização que já possui uma camada de texto oculta é lida dessa camada, com os erros que ela contém.
Evidência do benchmark
| Motor | Recuperação de 8-grama |
|---|---|
| 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 |
Converta seu PDF gratuitamente
Até 3 livros inteiros por dia gratuitos. Conta não necessária.