EpubCCCum știu dacă PDF este scanat?
Actualizat:
Deschide PDF și încearcă să selectezi o propoziție sau caută un cuvânt pe care îl poți vedea pe pagină: dacă nimic nu este selectat sau găsit, pagina este o imagine și PDF este scanat. Dacă poți selecta textul dar se lipsește ca un nonsens, PDF are un strat de text deteriorat sau slab OCR.
Patru verificări rapide
- Selectați text: trageți pe o linie în orice vizualizator PDF. O pagină scanată se selectează ca un singur bloc sau nimic.
- Căutare: căutați un cuvânt pe care îl puteți vedea. Niciun rezultat pe o pagină scanată fără OCR.
- Măriți mult: textul real rămâne clar la orice zoom; un scan devine neclar sau arată pixeli și textura hârtiei.
- Copiați și lipiți un paragraf într-un editor de text: textul curat înseamnă un strat de text utilizabil; lipsa spațiilor, literele sau simbolurile greșite înseamnă un strat OCR slab sau fonturi fără o hartă Unicode.
PDF-uri mixte
Unele PDF-uri combină ambele: un corp digital cu câteva pagini scanate (semnături, figuri vechi, anexe inserate), sau o carte scanată cu un strat invizibil OCR adăugat de biblioteca care a digitizat-o. Verifică câteva pagini din diferite părți ale fișierului, nu doar prima.
De ce contează pentru conversia în EPUB
Un EPUB reflowabil este realizat din text. O pagină scanată nu are nimic până când OCR nu o recunoaște, iar EPUB moștenește fiecare greșeală OCR. EpubCC citește paginile scanate cu OCR, gratuit pentru PDF-uri de până la 10 pagini și pe Pro și Business dincolo de aceasta, iar raportul de calitate le listează în loc să le ascundă. O scanare care are deja un strat de text ascuns este citită din acel strat, cu orice erori are.
Dovadă din evaluare
| Motor | recall 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 |
Convertește PDF gratuit
Până la 3 cărți complete pe zi gratuite. Nu este necesar un cont.