스캔 묶음을 텍스트로: OCR을 돌린 뒤 계속 보관할 PDF를 압축하기

“스캔 묶음”은 보통 페이지 이미지를 한데 묶어 만든 PDF 한 개입니다. 디스크는 차지하는데 검색도 복사도 되지 않습니다. 사람들이 흔히 이어 쓰는 두 도구는 이 사이트에서 마법처럼 검색 가능한 PDF 하나를 만들어 주지 않습니다. OCR은 Markdown을 반환하고, PDF 압축은 계속 보관할 PDF를 다시 씁니다.

이 분업이 워크플로의 전부입니다.

여기서 OCR이 실제로 주는 것

POST /api/v1/misc/ocr-pdf는 인식을 돌리고 .md 파일(text/markdown)을 내려받게 합니다. PDF에 원래 있던 텍스트와 이미지 페이지의 OCR 결과를 합친 것입니다. 숨은 텍스트 레이어를 PDF에 되쓰지는 않습니다. 같은 파일 안에서 선택과 검색이 되기를 기대했다면 그것은 다른 제품 형태입니다(고전적인 OCRmyPDF식 출력). 이 엔드포인트는 에이전트나 파이프라인이 읽을 텍스트를 위한 것입니다.

Auto와 Force OCR:

• ocrType=force-ocr가 아닌 모든 값(포털 라벨 “Normal” 포함)은 Auto로 매핑됩니다. 있는 텍스트는 그대로 쓰고, 이미지만 있는 페이지에 OCR을 돌립니다.
• force-ocr는 이미 텍스트 레이어가 있는 페이지까지 모든 페이지를 다시 읽습니다.

포털 폼에는 언어 선택기가 없습니다. 예전 경로에서 남은 tessdata식 필드(languages, deskew, clean 플래그 등)는 Rust ocr_pdf 경로가 무시합니다. Auto와 Force의 선택, 그리고 나쁜 스캔에서 인식이 실패하는 이유는 OCR이 스캔 PDF를 읽는 방법에서 다룹니다.

OCR은 PDF를 줄이지 않습니다. Markdown 다운로드는 원본 스캔 묶음 옆에 생기는 두 번째 산출물입니다.

압축이 들어갈 자리

PDF 압축(POST /api/v1/misc/compress-pdf)은 qpdf 스트림 압축을 돌립니다. --compress-streams=y, flate 재압축, 객체 스트림 생성입니다. 텍스트 레이어를 만들어 내지 않고, 글꼴을 서브셋팅하지도 않으며, 사진 수준의 다운샘플링을 약속하지도 않습니다. 스캔이 많은 파일에서는 스트림을 더 세게 패킹해 저장 공간을 줄일 수 있고, 이미 촘촘한 파일에서는 이득이 작을 수 있습니다. 스트림과 이미지 손잡이의 배경은 PDF를 압축할 때 실제로 일어나는 일을 보세요.

보관하거나 메일로 보낼 PDF에는 압축을 쓰고, 단어가 필요할 때는 OCR의 Markdown 출력을 쓰세요. 먼저 압축한다고 OCR이 더 정확해지지 않고, 먼저 OCR한다고 PDF가 작아지지도 않습니다.

실용적인 순서

1. 뷰어가 이 묶음을 열지 못하면 먼저 PDF 복구나 문서 정보를 씁니다.
2. 스캔 묶음을 OCR해 Markdown을 얻고, 몇 페이지의 텍스트를 표본 점검합니다.
3. 크기가 여전히 문제라면 별도로 PDF의 사본을 압축합니다.
4. 정책이 요구하면 손대지 않은 원본을 남겨 둡니다.

파일을 암호화했다면 어느 단계든 전에 권한 있는 비밀번호 해제가 필요합니다. 비밀에는 OCR이 아니라 Sanitize / Auto Redact를 씁니다. 스캔 후 표 내보내기가 204를 반환하면 텍스트 열을 찾지 못한 것입니다. 먼저 OCR Markdown을 만들고, 그다음 스프레드시트 도구가 필요하기는 한지 판단하세요(빈 표 내보내기(204)).

챙겨야 할 출력물

한 번 돌리면 산출물이 셋 생길 수 있습니다. 원본 스캔 묶음, .md OCR 다운로드, 그리고 선택적인 압축 PDF 사본입니다. 이름표를 붙여 두세요. Markdown만 메일로 보내면 페이지 이미지가 사라지고, 압축한 PDF만 보내면 이 OCR 경로가 만든 선택·검색 레이어는 여전히 없습니다. 단어와 더 작은 PDF가 둘 다 필요한 파이프라인은 두 출력을 모두 저장하거나 나중에 한쪽을 다시 돌려야 합니다.

텍스트 레이어가 망가진 전자 문서 묶음에 Force OCR을 쓰는 것은 여전히 유용할 수 있고, 깨끗한 전자 문서 묶음에 Auto를 쓰면 OCR 런타임을 아예 건너뛸 수 있습니다. 어느 모드도 PDF에 텍스트를 되쓰지 않습니다.

이 워크플로가 아닌 것

스캔 묶음이 실패하는 이유는 팀이 버튼 하나로 텍스트도 뽑고 데스크톱 OCRmyPDF 파이프라인처럼 픽셀도 줄여 주리라 가정하기 때문입니다. 여기서 텍스트는 Markdown으로 빠져나가고, 일부러 압축하지 않는 한 PDF는 PDF로 남습니다. 한 번의 호출로 “같은 PDF인데 이제 검색도 되고 더 작아졌다”를 돌려주는 단계는 이 사이트에 없습니다.

같은 op를 HTTP로 자동화하려면 개발자를 보세요.