Product4 min di lettura

Da pacchetto di scansioni a testo: prima OCR, poi compressione del PDF che conservi

Un pacchetto di scansioni richiede due passaggi: l'OCR di PDF123 restituisce testo Markdown, mentre Comprimi riduce il PDF originale ricomprimendo gli stream.

By the PDF123 team · Updated 2026-09-28
Da pacchetto di scansioni a testo: prima OCR, poi compressione del PDF che conservi

Un «pacchetto di scansioni» è di solito una pila di immagini di pagina riunite in un unico PDF: pesante su disco, vuoto per la ricerca e il copia e incolla. Due strumenti che spesso vengono concatenati non producono un unico PDF ricercabile e magico, su questo sito. OCR restituisce Markdown. Comprimi riscrive il PDF che conservi comunque.

Questa divisione è l'intero flusso di lavoro.

Cosa ti dà davvero l'OCR qui

POST /api/v1/misc/ocr-pdf esegue il riconoscimento e scarica un file .md (text/markdown): testo nativo del PDF unito all'OCR delle pagine immagine. Non riscrive uno strato di testo nascosto nel PDF. Se ti aspettavi di selezionare e cercare dentro lo stesso file, quella è una forma di prodotto diversa (l'output classico in stile OCRmyPDF). Questo endpoint serve per il testo che un agente o una pipeline possono leggere.

Auto e Force OCR:

  • Qualsiasi valore diverso da ocrType=force-ocr (compresa l'etichetta «Normal» del portale) corrisponde ad Auto: usa il testo esistente dove c'è e applica l'OCR alle pagine di sole immagini.
  • force-ocr rilegge ogni pagina, comprese quelle che hanno già uno strato di testo.

Nel modulo del portale non c'è un selettore della lingua. I campi residui in stile tessdata dei percorsi più vecchi (languages, deskew, flag di pulizia e simili) vengono ignorati dal percorso Rust ocr_pdf. Auto e Force, e il motivo per cui il riconoscimento fallisce sulle scansioni scadenti, sono trattati in Come l'OCR legge un PDF scansionato.

L'OCR non riduce il PDF. Il download Markdown è un secondo artefatto, accanto al pacchetto di scansioni originale.

Dove entra Comprimi

Comprimi (POST /api/v1/misc/compress-pdf) esegue la compressione degli stream con qpdf: --compress-streams=y, ricompressione Flate e generazione degli object stream. Non inventa uno strato di testo, non applica il subsetting ai font e non promette il downsampling fotografico. Su un file ricco di scansioni può comunque ridurre lo spazio occupato impacchettando gli stream in modo più stretto; su un file già compatto il guadagno può essere minimo. Per il contesto sulle leve tra stream e immagini: Cosa succede davvero quando comprimi un PDF.

Usa Comprimi sul PDF che archivierai o invierai per email. Usa l'output Markdown dell'OCR quando ti servono le parole. Comprimere prima non rende l'OCR più accurato; applicare prima l'OCR non rende il PDF più piccolo.

Un ordine pratico

  1. Se il visualizzatore non apre il pacchetto, prima Ripara o Get Info.
  2. Applica l'OCR al pacchetto di scansioni per ottenere Markdown e controlla a campione qualche pagina di testo.
  3. Separatamente, comprimi una copia del PDF se il problema rimasto è la dimensione.
  4. Conserva l'originale intatto quando le policy lo richiedono.

Cifrare un file richiede comunque uno Sblocco autorizzato prima di entrambi i passaggi. I segreti richiedono Sanitize / Auto Redact, non l'OCR. Un'esportazione di tabella che restituisce 204 dopo una scansione significa che non sono state trovate colonne di testo: prima l'OCR in Markdown, poi decidi se uno strumento per fogli di calcolo sia davvero applicabile (Esportazione tabella vuota (204)).

Gli output da tenere traccia

Dopo un'esecuzione tipica puoi avere tre artefatti: il pacchetto di scansioni originale, un download OCR .md e (facoltativamente) una copia PDF compressa. Etichettali. Inviare per email solo il Markdown fa perdere le immagini delle pagine; inviare solo il PDF compresso non aggiunge lo strato di selezione e ricerca che questo percorso OCR non produce. Le pipeline che richiedono sia le parole sia un PDF più piccolo devono conservare entrambi gli output oppure rieseguire un lato in seguito.

Force OCR su un pacchetto nativo digitale con uno strato di testo rotto può essere comunque utile; Auto su un pacchetto nativo digitale pulito può saltare del tutto il runtime OCR. Nessuna delle due modalità riscrive testo nel PDF.

Cosa non è questo flusso di lavoro

I pacchetti di scansioni falliscono quando i team danno per scontato che un solo pulsante estragga il testo e riduca i pixel, come potrebbe fare una pipeline desktop con OCRmyPDF. Qui il testo esce come Markdown; il PDF resta un PDF, a meno che tu non lo comprima di proposito. Su questo sito non esiste un passaggio che restituisca «lo stesso PDF, ora ricercabile e più piccolo» con una singola chiamata.

Per l'automazione HTTP delle stesse operazioni, vedi Developers.

Open tool
Process in the browser — no watermark, files removed after the job.
Open tool