Pakiet skanów do tekstu: OCR, potem kompresja PDF, który zostaje
Pakiet skanów wymaga dwóch kroków: OCR w PDF123 zwraca Markdown, a Compress zmniejsza oryginalny PDF przez rekompresję strumieni. Kolejność i wyniki się różnią.

„Pakiet skanów” to zwykle stos obrazów stron zszytych w jeden PDF: ciężki na dysku, pusty pod wyszukiwanie i kopiowanie. Dwa narzędzia, które ludzie łączą w łańcuch, nie dają w tym serwisie jednego magicznego, przeszukiwalnego PDF-a. OCR zwraca Markdown. Compress przepisuje PDF, który nadal zachowujesz.
Ten podział to cały sposób pracy.
Co OCR faktycznie daje w tym serwisie
POST /api/v1/misc/ocr-pdf uruchamia rozpoznawanie i pobiera plik .md (text/markdown): natywny tekst PDF połączony z OCR ze stron będących obrazami. Nie zapisuje ukrytej warstwy tekstu z powrotem do PDF. Jeśli oczekiwałeś zaznaczania i wyszukiwania w tym samym pliku, to inny model produktu (klasyczny wynik w stylu OCRmyPDF). Ten punkt końcowy służy tekstowi, który odczyta agent albo potok.
Auto kontra Force OCR:
- wszystko inne niż
ocrType=force-ocr(łącznie z etykietą „Normal” w portalu) odpowiada trybowi Auto: używa istniejącego tekstu tam, gdzie jest, a OCR uruchamia na stronach zawierających tylko obrazy, force-ocrodczytuje ponownie każdą stronę, także tę, która ma już warstwę tekstową.
W formularzu portalu nie ma wyboru języka. Pozostałe pola w stylu tessdata ze starszych ścieżek (languages, deskew, flagi czyszczenia i podobne) są ignorowane przez ścieżkę ocr_pdf w Rust. Tryby Auto i Force oraz przyczyny niepowodzeń rozpoznawania na słabych skanach opisuje Jak OCR czyta zeskanowany PDF.
OCR nie zmniejsza PDF-a. Pobrany Markdown to drugi artefakt obok oryginalnego pakietu skanów.
Gdzie pasuje kompresja
Compress (POST /api/v1/misc/compress-pdf) uruchamia kompresję strumieni przez qpdf: --compress-streams=y, ponowną kompresję Flate i generowanie strumieni obiektów. Nie tworzy warstwy tekstu, nie zawęża fontów i nie obiecuje fotograficznego zmniejszania rozdzielczości. W pliku pełnym skanów może mimo to zmniejszyć zajęte miejsce, mocniej upakowując strumienie; w pliku już ciasno upakowanym zysk bywa niewielki. Tło o dźwigniach strumieni i obrazów: Co faktycznie dzieje się, gdy kompresujesz PDF.
Compress stosuj do PDF-a, który zamierzasz archiwizować albo wysłać. Wynik OCR w Markdown sięgaj, gdy potrzebujesz słów. Kompresja wykonana najpierw nie poprawia dokładności OCR, a OCR wykonany najpierw nie zmniejsza PDF-a.
Praktyczna kolejność
- Jeśli przeglądarka nie otwiera pakietu, najpierw Napraw albo Pobierz informacje.
- Uruchom OCR na pakiecie skanów do Markdown i wyrywkowo sprawdź tekst na kilku stronach.
- Osobno uruchom Compress na kopii PDF-a, jeśli pozostałym problemem jest rozmiar.
- Zachowaj nietknięty oryginał, jeśli wymagają tego twoje zasady.
Szyfrowanie nadal wymaga uprawnionego odblokowania przed którymkolwiek krokiem. Sekrety wymagają Sanitize / Auto Redact, a nie OCR. Eksport tabeli, który po skanie zwraca 204, oznacza, że nie znaleziono kolumn tekstu; najpierw Markdown z OCR, a potem decyzja, czy narzędzie do arkuszy w ogóle się przyda (Pusty eksport tabeli (204)).
Wyniki, które warto rozróżniać
Po typowym przebiegu możesz mieć trzy artefakty: oryginalny pakiet skanów, pobrany plik .md z OCR i (opcjonalnie) skompresowaną kopię PDF. Oznacz je. Wysłanie samego Markdown gubi obrazy stron; wysłanie samego skompresowanego PDF nadal nie daje warstwy do zaznaczania i wyszukiwania z tej ścieżki OCR. Potoki, które potrzebują i słów, i mniejszego PDF-a, muszą zachować oba wyniki albo później uruchomić jedną część ponownie.
Force OCR na cyfrowym pakiecie z uszkodzoną warstwą tekstu nadal bywa użyteczny; Auto na czystym pakiecie cyfrowym może w ogóle pominąć środowisko OCR. Żaden tryb nie zapisuje tekstu z powrotem do PDF.
Czym ten sposób pracy nie jest
Pakiet skanów zawodzi, gdy zespół zakłada, że jeden przycisk jednocześnie wyciąga tekst i zmniejsza liczbę pikseli tak jak desktopowy potok OCRmyPDF. Tutaj tekst wychodzi jako Markdown, a PDF pozostaje PDF-em, chyba że celowo go skompresujesz. W tym serwisie nie ma kroku, który jednym wywołaniem zwróci „ten sam PDF, teraz przeszukiwalny i mniejszy”.
Automatyzację tych samych operacji przez HTTP opisuje Dla programistów.