Detector de PDF Digitalizado ou Pesquisável

Porque «este PDF tem texto?» é a pergunta errada

Um PDF pode ser pesquisável na página um e uma fotografia na página dois. A verificação habitual — extrair texto, encontrar algum e declarar vitória — erra em ambos os casos, e erra também no caso mais comum na prática: uma digitalização que já passou por OCR, que é genuinamente pesquisável embora cada píxel visível seja uma imagem.

Este detector trabalha página a página e reúne seis sinais independentes antes de dizer o que quer que seja:

• Texto extraído — quantas palavras e caracteres um extrator devolve realmente.
• Modos de renderização do texto — os glifos desenhados no modo 3 são invisíveis. É exatamente assim que o software de OCR escreve as palavras reconhecidas sobre uma digitalização, e é a única forma fiável de distinguir uma digitalização com OCR de uma página digital nativa.
• Imagens desenhadas — onde cada imagem assenta e que fração da página cobre.
• DPI efetivo e profundidade de bits — uma imagem de 1 bit comprimida com CCITT ou JBIG2 é a saída de um digitalizador, não uma fotografia nem um logótipo.
• Traçados vetoriais — uma página composta por um processador de texto quase sempre tem filetes, molduras ou linhas. Uma digitalização pura não tem nenhum.

O que recebe

Cada página é rotulada como texto digital nativo, imagem digitalizada, digitalização + camada OCR, mista ou vazia, com um nível de confiança e — esta é a parte que interessa — a lista de factos que produziram o rótulo. Se discordar de um veredicto, consegue ver exatamente que sinal o motivou.

O resumo do documento responde à pergunta com que chegou: é pesquisável de ponta a ponta e, se não, que páginas precisam de OCR? Exporte o relatório completo em CSV ou JSON para o seu fluxo de arquivo.

Limites

Nada dentro de um PDF declara «sou uma digitalização», por isso isto é inferência. Uma página cujo texto foi convertido em contornos não tem objetos de texto e parece idêntica a uma digitalização. Uma digitalização com uma má camada de OCR é tecnicamente pesquisável mas inútil na prática. Ambos os casos são reportados com a sua evidência em vez de um palpite que soe seguro.

Privacidade

O ficheiro nunca sai do seu computador. Tudo — análise, renderização, miniaturas e relatório — corre no seu navegador.