Paket scan ke teks: OCR lalu Compress PDF yang tetap Anda simpan
Paket scan butuh dua langkah: OCR di PDF123 mengembalikan Markdown, sedangkan Compress mengecilkan PDF asli lewat rekompresi stream, jadi hasil keduanya berbeda.

"Paket hasil pindai" biasanya berupa tumpukan gambar halaman yang dijilid menjadi satu PDF: berat di disk, tetapi kosong untuk fungsi cari dan salin. Dua alat yang biasa dirangkai orang tidak menghasilkan satu PDF ajaib yang bisa dicari di situs ini. OCR mengembalikan Markdown. Compress menulis ulang PDF yang tetap Anda simpan.
Pemisahan itulah keseluruhan alur kerjanya.
Apa yang sebenarnya diberikan OCR di sini
POST /api/v1/misc/ocr-pdf menjalankan pengenalan lalu mengunduh berkas .md (text/markdown): teks asli PDF yang digabung dengan hasil OCR dari halaman bergambar. Alat ini tidak menuliskan lapisan teks tersembunyi kembali ke dalam PDF. Jika Anda mengharapkan fungsi pilih-dan-cari di dalam berkas yang sama, itu bentuk produk yang berbeda (keluaran bergaya OCRmyPDF klasik). Titik akhir ini ditujukan untuk teks yang bisa dibaca agen atau pipeline.
Auto versus Force OCR:
- Apa pun selain
ocrType=force-ocr(termasuk label "Normal" di portal) dipetakan ke Auto: pakai teks yang sudah ada bila tersedia, dan jalankan OCR pada halaman yang hanya berisi gambar. force-ocrmembaca ulang setiap halaman, termasuk halaman yang sudah punya lapisan teks.
Tidak ada pemilih bahasa di formulir portal. Field bergaya tessdata yang tersisa dari jalur lama (languages, deskew, flag clean, dan sejenisnya) diabaikan oleh jalur Rust ocr_pdf. Perbedaan Auto dan Force, serta alasan pengenalan gagal pada hasil pindai yang buruk, dibahas di Bagaimana OCR membaca PDF hasil pindai.
OCR tidak mengecilkan PDF. Unduhan Markdown adalah artefak kedua di samping paket hasil pindai yang asli.
Di mana Compress berperan
Compress (POST /api/v1/misc/compress-pdf) menjalankan kompresi stream qpdf: --compress-streams=y, rekompresi flate, dan object stream yang dihasilkan. Alat ini tidak menciptakan lapisan teks, tidak menyubset font, dan tidak menjanjikan downsampling fotografis. Pada berkas yang berat hasil pindai, ia masih bisa mengecilkan penyimpanan dengan mengemas stream lebih rapat; pada berkas yang sudah rapat, penghematannya bisa kecil. Latar belakang soal perbedaan tuas stream dan gambar: Apa yang sebenarnya terjadi saat Anda mengompres PDF.
Gunakan Compress pada PDF yang akan Anda arsipkan atau kirim lewat email. Gunakan keluaran OCR Markdown ketika Anda membutuhkan kata-katanya. Mengompres lebih dulu tidak membuat OCR lebih akurat; menjalankan OCR lebih dulu tidak membuat PDF lebih kecil.
Urutan yang praktis
- Jika penampil tidak mau membuka paketnya, jalankan Repair atau Get Info lebih dulu.
- Jalankan OCR pada paket hasil pindai menjadi Markdown, lalu periksa beberapa halaman teksnya.
- Secara terpisah, jalankan Compress pada salinan PDF bila ukurannya masih jadi masalah.
- Simpan berkas asli yang belum disentuh bila kebijakan Anda menuntutnya.
Berkas yang terenkripsi tetap memerlukan Unlock yang sah sebelum salah satu langkah dijalankan. Data rahasia memerlukan Sanitize / Auto Redact, bukan OCR. Ekspor tabel yang mengembalikan 204 setelah pemindaian berarti tidak ada kolom teks yang ditemukan: jalankan OCR Markdown lebih dulu, lalu putuskan apakah alat spreadsheet memang relevan (Ekspor tabel kosong (204)).
Keluaran yang perlu Anda lacak
Setelah satu kali proses yang umum, Anda mungkin memegang tiga artefak: paket hasil pindai yang asli, unduhan OCR .md, dan (opsional) salinan PDF yang sudah dikompres. Beri label pada ketiganya. Mengirim hanya Markdown berarti gambar halamannya hilang; mengirim hanya PDF terkompres tetap tidak memberi lapisan pilih-dan-cari dari jalur OCR ini. Pipeline yang membutuhkan kata-kata sekaligus PDF yang lebih kecil harus menyimpan kedua keluaran atau menjalankan ulang salah satunya nanti.
Force OCR pada paket born-digital yang lapisan teksnya rusak tetap bisa berguna; Auto pada paket born-digital yang bersih bisa melewati runtime OCR sepenuhnya. Tidak ada mode yang menuliskan teks kembali ke dalam PDF.
Apa yang bukan alur kerja ini
Paket hasil pindai jadi bermasalah ketika tim mengira satu tombol bisa sekaligus mengekstrak teks dan mengecilkan piksel seperti alur OCRmyPDF di desktop. Di sini teksnya keluar sebagai Markdown; PDF-nya tetap PDF kecuali Anda menjalankan Compress dengan sengaja. Tidak ada langkah di situs ini yang mengembalikan "PDF yang sama, kini bisa dicari dan lebih kecil" hanya dari satu panggilan.
Untuk otomasi HTTP dari operasi yang sama, lihat Developers.