Product3 minit bacaan

Pek Imbasan ke Teks: OCR Dahulu, Kemudian Mampatkan PDF yang Anda Masih Simpan

Pek imbasan memerlukan dua langkah: OCR di PDF123 memulangkan Markdown, manakala Mampatkan PDF mengecilkan fail asal. Susunan dan keluaran kedua-duanya berbeza.

By the PDF123 team Β· Updated 2026-09-28
Pek Imbasan ke Teks: OCR Dahulu, Kemudian Mampatkan PDF yang Anda Masih Simpan

"Pek imbasan" biasanya timbunan imej halaman yang digabungkan menjadi satu PDF: berat di cakera, kosong untuk carian dan salinan. Dua alat yang orang biasa rangkaikan bersama tidak menghasilkan satu PDF boleh cari yang ajaib di tapak ini. OCR memulangkan Markdown. Mampatkan PDF menulis semula PDF yang masih anda simpan.

Pemisahan itulah keseluruhan aliran kerjanya.

Apa yang sebenarnya diberikan oleh OCR di sini

POST /api/v1/misc/ocr-pdf menjalankan pengenalan dan memuat turun fail .md (text/markdown): teks asli PDF digabungkan dengan hasil OCR daripada halaman imej. Ia tidak menulis lapisan teks tersembunyi kembali ke dalam PDF. Jika anda menjangkakan pilih-dan-cari dalam fail yang sama, itu bentuk produk yang berbeza (keluaran gaya OCRmyPDF klasik). Laluan ini untuk teks yang boleh dibaca oleh ejen atau pipeline.

Auto berbanding Force OCR:

  • Apa-apa selain ocrType=force-ocr (termasuk label portal "Normal") dipetakan kepada Auto: gunakan teks sedia ada jika ada; jalankan OCR pada halaman imej sahaja.
  • force-ocr membaca semula setiap halaman, termasuk halaman yang sudah mempunyai lapisan teks.

Tiada pilihan bahasa pada borang portal. Medan gaya tessdata yang tertinggal daripada laluan lama (languages, deskew, bendera bersih, dan yang seumpamanya) diabaikan oleh laluan Rust ocr_pdf. Auto berbanding Force, dan sebab pengenalan gagal pada imbasan yang buruk, dibincangkan dalam Bagaimana OCR membaca PDF imbasan.

OCR tidak mengecilkan PDF. Muat turun Markdown itu ialah artifak kedua di sebelah pek imbasan asal.

Di mana mampat masuk

Mampatkan PDF (POST /api/v1/misc/compress-pdf) menjalankan pemampatan aliran qpdf: --compress-streams=y, pemampatan semula flate, dan aliran objek yang dijana. Ia tidak mencipta lapisan teks, tidak mensubset fon, dan tidak menjanjikan penurunan sampel imej foto. Pada fail yang berat imbasan, ia masih boleh mengecilkan storan dengan memampatkan aliran lebih rapat; pada fail yang sudah rapat, penjimatannya mungkin kecil. Latar belakang tentang tuas aliran berbanding imej: Apa yang sebenarnya berlaku apabila anda memampatkan PDF.

Mampatkan PDF yang akan anda arkibkan atau e-melkan. Gunakan keluaran OCR Markdown apabila anda memerlukan perkataannya. Memampatkan terlebih dahulu tidak menjadikan OCR lebih tepat; OCR terlebih dahulu tidak menjadikan PDF lebih kecil.

Urutan yang praktikal

  1. Jika pembaca tidak mahu membuka pek itu, jalankan Baiki PDF atau Maklumat dokumen terlebih dahulu.
  2. Jalankan OCR pada pek imbasan untuk mendapatkan Markdown dan periksa beberapa halaman teksnya.
  3. Secara berasingan, mampatkan salinan PDF itu jika saiz masih menjadi masalah.
  4. Simpan fail asal yang tidak disentuh apabila dasar anda memerlukannya.

Menyulitkan fail masih memerlukan Buang kata laluan yang dibenarkan sebelum mana-mana langkah. Rahsia memerlukan Bersihkan PDF / Hitamkan teks, bukan OCR. Eksport jadual yang mengembalikan 204 selepas imbasan bermakna tiada lajur teks dijumpai; jalankan OCR Markdown dahulu, kemudian tentukan sama ada alat hamparan terpakai sama sekali (Eksport jadual kosong (204)).

Keluaran yang perlu anda jejaki

Selepas pelaksanaan biasa, anda mungkin memegang tiga artifak: pek imbasan asal, muat turun OCR .md, dan (secara pilihan) salinan PDF yang dimampatkan. Labelkan kesemuanya. Menghantar hanya Markdown melalui e-mel menghilangkan imej halaman; menghantar hanya PDF yang dimampatkan tetap tiada lapisan pilih-dan-cari daripada laluan OCR ini. Pipeline yang memerlukan perkataan dan PDF yang lebih kecil mesti menyimpan kedua-dua keluaran atau menjalankan semula satu bahagian kemudian.

Force OCR pada pek digital yang lapisan teksnya rosak masih boleh berguna; Auto pada pek digital yang bersih mungkin melangkau masa jalan OCR sepenuhnya. Tiada satu pun mod yang menulis teks kembali ke dalam PDF.

Apa yang bukan aliran kerja ini

Pek imbasan gagal apabila pasukan menganggap satu butang boleh mengekstrak teks dan mengecilkan piksel seperti pipeline OCRmyPDF desktop. Di sini teks keluar sebagai Markdown; PDF kekal sebagai PDF kecuali anda memampatkannya dengan sengaja. Tiada langkah di tapak ini yang memulangkan "PDF yang sama, kini boleh dicari dan lebih kecil" daripada satu panggilan.

Untuk automasi HTTP bagi operasi yang sama, lihat Pembangun.

Open tool
Process in the browser β€” no watermark, files removed after the job.
Open tool