Как OCR чете сканиран PDF и защо този инструмент връща Markdown
Сканираният PDF е снимка на текст. Тази OCR крайна точка по подразбиране връща Markdown, а при заявка и PDF с търсене. Auto използва съществуващия текст; Force OCR пречита всяка страница.

Сканираният PDF съхранява страниците като растерни изображения: снимки на текст, а не избираеми символи. OCR (optical character recognition) разглежда тези пиксели, отгатва кои форми са символи и извежда истински текст. В PDF123 това работи като безплатен инструмент в браузъра и като POST /api/v1/misc/ocr-pdf; отговорът по подразбиране е Markdown, а при заявка — PDF с търсене.
Сканът си остава снимка
OCR не почиства, не изостря и не заменя растерното изображение. Чист скан, който OCR разчита грешно, все още изглежда чист. Изображението никога не е било тясното място за качеството — разпознаването беше: сменете двигателя за разпознаване върху същата партида сканирания и точността може да се промени рязко, макар самите пиксели да остават непроменени.
Класическият PDF OCR записва втори, невидим текстов слой, подравнен под изображението, така че маркирането и търсенето да попадат на правилните думи. Това показва диаграмата и така още работят много настолни инструменти.
Какво всъщност връща тази крайна точка
Маршрутът OCR извиква /api/v1/misc/ocr-pdf, който работи върху самостоятелен Rust крейт, pdf-inspector (компилиран с неговата функция ocr). Той не подава целия PDF на модел за разпознаване. Първо pdf-inspector класифицира всяка страница като такава с вече извлекаем нативен текст или само изображение. Страниците с нативен текст запазват този текст непроменен и никога не стигат до модела за разпознаване; страниците само с изображение минават през конвейера за разпознаване — PDFium (същият рендерер с отворен код, който Chrome използва вътрешно) растеризира страницата, а ONNX Runtime изпълнява модела PP-OCRv6 Small, за да я прочете. И двата вида страници се съшиват по ред в един Markdown документ, затова отговорът е text/markdown, а изтегленият файл завършва на .md.
Този договор е нов за тази преработка. Проектът преди е работил с бекенд на Java/Spring Boot, който извикваше OCRmyPDF — класическият подход „изображение плюс скрит текстов слой“ — и връщаше PDF. Пренаписването на Rust замени този път изцяло със селективния OCR на pdf-inspector, а заедно с него изходът премина от PDF към Markdown. Старият Java бекенд оттогава е напълно премахнат от хранилището — той не е превключвател, който може да се върне обратно.
PDF с търсене (изображение плюс текстов слой) е отделен резултат. Изпратете outputFormat=pdf и същата крайна точка изобразява всяка страница при 300 dpi, разпознава я с Tesseract на посочения от вас език (по подразбиране eng, до четири, свързани с +) и връща страниците със скрит текстов слой, до 50 страници на заявка. Този път е независим от всичко по-горе: разделението Auto/Force, pdf-inspector и моделът PP-OCRv6 принадлежат на изхода Markdown, който няма параметър за език.
Auto срещу Force OCR
Формата има поле ocrType:
- Normal (всяка стойност освен
force-ocr) съответства на Auto: използва съществуващия текст, където файлът вече го има, и пуска OCR само на страниците с изображения. При чист цифрово създаден PDF Auto не зарежда средата за OCR. - Force OCR (
ocrType=force-ocr) пуска разпознаване наново на всяка страница, включително на страниците, които вече имат текстов слой. На истински страници само с изображение плащате с време, не с по-висока точност; получавате преминаване, което пренебрегва повреден или частичен съществуващ слой.
Стойността по подразбиране в портала е Force OCR. Няма избор на език: остарелите tessdata кодове от стария Java път се пренебрегват.
Разделянето Auto/Force се случва вътре в самата заявка и нито порталът, нито сондата за възможности на API го проверяват предварително. GET /api/v1/settings/get-endpoints-status винаги отчита ocr-pdf като „enabled“, без реално да проверява дали PDFium, ONNX Runtime и моделът PP-OCRv6 са инсталирани. Реалната проверка се случва едва когато заявка задейства разпознаване: ако нещо от изброеното липсва, крайната точка връща 503, а не деградирал Markdown, който тихо се връща само към нативен текст. Самият модел PP-OCRv6 Small тежи около 31 MB; освен ако не е предварително зареден в локалния кеш при разгръщането, той се изтегля по мрежата при първата реална нужда от разпознаване. Офлайн машина без предварително зареден модел най-вероятно ще се провали още на първата Force заявка, вместо просто да работи по-бавно.
Разпознаването е вероятностно
Машините съпоставят шаблони от пиксели с модели на букви и думи. Справят се добре при чист, висококонтрастен печат със стандартен шрифт и по-лошо при:
- Сканирания с ниска резолюция или нисък контраст (качество на факс срещу оригинал при 300 DPI)
- Ръкопис, декоративни шрифтове, необичайни оформления (таблици с много колони, завъртян текст, гъсто попълнени формуляри)
- Изкривени страници, които деформират формите на глифовете достатъчно, за да объркат съпоставянето
Размазан факс няма да се разчете като чист скан, независимо дали е Auto, или Force. Това е ограничение на самия модел, а не нещо, което параметър може да поправи.
Какво OCR не прави
OCR ви дава текст. Той не възстановява параграфи, заглавия, таблици или пренареждаем Word документ. Редактируемото оформление е проблем на преобразуване върху грешката от разпознаването, а не същата задача като разчитането на скан.
OCR a PDF работи от страната на сървъра без акаунт. По подразбиране изтеглянето е Markdown; изберете PDF с търсене за текстов слой. Ако съществуващ текстов слой изглежда грешен, използвайте Force OCR, за да не му се доверява Auto; а за да проверите дали дадена машина наистина има инсталирани PDFium и модела, изпращането на реална заявка е по-надеждно от четенето на сондата за възможности, тъй като тя само потвърждава, че крайната точка съществува, а не че средата ѝ за изпълнение е готова. За ключове за автоматизация и OpenAPI вижте Разработчици.