Scanpakket naar tekst: OCR en dan Compress op de PDF die u houdt
Een scanpakket vraagt twee stappen: OCR op PDF123 levert Markdown, Compress verkleint de PDF met streamrecompressie. De volgorde en de resultaten verschillen.

Een “scanpakket” is meestal een stapel pagina-afbeeldingen die tot één PDF is geniet: zwaar op schijf, leeg voor zoeken en kopiëren. Twee tools die mensen aan elkaar koppelen leveren op deze site geen magische doorzoekbare PDF op. OCR levert Markdown. Compress herschrijft de PDF die u nog steeds bewaart.
Die splitsing is de hele werkwijze.
Wat OCR hier werkelijk oplevert
POST /api/v1/misc/ocr-pdf voert de herkenning uit en downloadt een .md-bestand (text/markdown): tekst die al in de PDF stond, samengevoegd met OCR van pagina's met afbeeldingen. Het schrijft geen verborgen tekstlaag terug in de PDF. Verwachtte u selecteren en zoeken binnen hetzelfde bestand, dan is dat een andere productvorm (de klassieke uitvoer in de stijl van OCRmyPDF). Dit endpoint is bedoeld voor tekst die een agent of pijplijn kan lezen.
Auto versus Force OCR:
- Alles behalve
ocrType=force-ocr(inclusief het portallabel “Normal”) komt neer op Auto: gebruik bestaande tekst waar die aanwezig is en laat OCR los op pagina's die alleen afbeeldingen bevatten. force-ocrleest elke pagina opnieuw, ook pagina's die al een tekstlaag hebben.
Er is geen taalkeuze op het portalformulier. Overgebleven velden in de stijl van tessdata uit oudere paden (languages, deskew, opschoonopties en dergelijke) worden door het Rust-pad ocr_pdf genegeerd. Auto versus Force, en waarom herkenning op slechte scans mislukt, staan in How OCR reads a scanned PDF.
OCR maakt de PDF niet kleiner. De Markdown-download is een tweede artefact naast het oorspronkelijke scanpakket.
Waar Compress past
Compress (POST /api/v1/misc/compress-pdf) voert qpdf-streamcompressie uit: --compress-streams=y, flate opnieuw comprimeren en object streams genereren. Het verzint geen tekstlaag, maakt geen subset van fonts en belooft geen fotografische downsampling. Op een bestand vol scans kan het de opslag nog verkleinen door streams harder te pakken; op een al strak bestand kan de winst klein zijn. Achtergrond over streams versus beeld: What actually happens when you compress a PDF.
Gebruik Compress op de PDF die u archiveert of per e-mail verstuurt. Gebruik de Markdown-uitvoer van OCR wanneer u de woorden nodig hebt. Eerst comprimeren maakt OCR niet nauwkeuriger; eerst OCR maakt de PDF niet kleiner.
Een praktische volgorde
- Gaat het pakket niet open in de viewer, gebruik dan eerst Repair of Get Info.
- Laat OCR het scanpakket naar Markdown omzetten en controleer een paar pagina's tekst steekproefsgewijs.
- Comprimeer daarnaast een kopie van de PDF als de grootte het resterende probleem is.
- Bewaar het onaangeroerde origineel wanneer uw beleid dat vereist.
Een versleuteld bestand heeft nog steeds een geautoriseerde Unlock nodig voordat u een van beide stappen uitvoert. Geheimen vragen om Sanitize / Auto Redact, niet om OCR. Een tabelexport die na een scan 204 teruggeeft, betekent dat er geen tekstkolommen zijn gevonden: zet eerst OCR in voor Markdown en beslis daarna of een spreadsheettool hier eigenlijk past (Empty table export (204)).
Resultaten die u moet bijhouden
Na een typische uitvoering kunt u drie artefacten hebben: het oorspronkelijke scanpakket, een .md-download van OCR en (optioneel) een gecomprimeerde kopie van de PDF. Label ze. Alleen de Markdown versturen betekent dat de pagina-afbeeldingen verdwijnen; alleen de gecomprimeerde PDF versturen betekent dat er nog steeds geen laag is om in te selecteren en zoeken uit dit OCR-pad. Pijplijnen die zowel de woorden als een kleinere PDF nodig hebben, moeten beide resultaten bewaren of één kant later opnieuw uitvoeren.
Force OCR op een digitaal ontstaan pakket met een kapotte tekstlaag kan nog nuttig zijn; Auto op een schoon digitaal ontstaan pakket kan de OCR-runtime helemaal overslaan. Geen van beide modi schrijft tekst terug in de PDF.
Wat deze werkwijze niet is
Scanpakketten mislukken wanneer teams aannemen dat één knop zowel tekst extraheert als pixels verkleint, zoals een OCRmyPDF-pijplijn op de desktop zou doen. Hier verlaat de tekst het proces als Markdown; de PDF blijft een PDF tenzij u expres Compress gebruikt. Er is op deze site geen stap die uit één aanroep “dezelfde PDF, nu doorzoekbaar en kleiner” teruggeeft.
Voor HTTP-automatisering van dezelfde bewerkingen, zie Developers.