Из пачки сканов в текст: сначала OCR, затем сжатие сохраняемого PDF

«Пачка сканов» — это обычно стопка изображений страниц, сшитая в один PDF: тяжёлая на диске, пустая для поиска и копирования. Два инструмента, которые люди соединяют в цепочку, на этом сайте не дают один волшебный PDF с поиском. OCR возвращает Markdown. Сжатие перезаписывает PDF, который вы всё равно сохраняете.

Это разделение и есть весь рабочий процесс.

Что OCR здесь на самом деле даёт

POST /api/v1/misc/ocr-pdf запускает распознавание и скачивает файл .md (text/markdown): собственный текст PDF, объединённый с OCR со страниц-изображений. Он не записывает скрытый текстовый слой обратно в PDF. Если вы ожидали выделения и поиска внутри того же файла, это другая форма продукта (классический вывод в стиле OCRmyPDF). Этот эндпоинт — для текста, который может прочитать агент или конвейер.

Auto и Force OCR:

• Всё, кроме ocrType=force-ocr (включая подпись «Normal» в портале), отображается на Auto: использовать существующий текст там, где он есть; распознавать страницы только с изображениями.
• force-ocr перечитывает каждую страницу, включая страницы, где текстовый слой уже есть.

В форме портала нет выбора языка. Оставшиеся поля в стиле tessdata от старых путей (languages, выравнивание перекоса, флаги очистки и подобные) игнорируются Rust-путём ocr_pdf. Режимы Auto и Force и причины сбоев распознавания на плохих сканах разобраны в статье Как OCR читает сканированный PDF.

OCR не уменьшает PDF. Скачанный Markdown — второй артефакт рядом с исходной пачкой сканов.

Где место сжатию

Сжатие (POST /api/v1/misc/compress-pdf) запускает потоковое сжатие qpdf: --compress-streams=y, пережатие flate и сгенерированные объектные потоки. Оно не изобретает текстовый слой, не подрезает шрифты и не обещает фотографического прореживания. На файле с множеством сканов оно всё же может уменьшить хранилище, плотнее упаковав потоки; на уже плотном файле выигрыш может быть небольшим. Фон о рычагах потоков и изображений: Что на самом деле происходит при сжатии PDF.

Используйте Compress для PDF, который будете архивировать или отправлять. Используйте вывод OCR в Markdown, когда нужны слова. Сжатие первым не делает OCR точнее; OCR первым не делает PDF меньше.

Практический порядок

1. Если просмотрщик не открывает пачку, сначала Repair или Get Info.
2. Распознайте пачку сканов в Markdown и выборочно проверьте несколько страниц текста.
3. Отдельно сожмите копию PDF, если размер остаётся проблемой.
4. Сохраняйте нетронутый оригинал, когда этого требует политика.

Шифрование файла всё ещё требует авторизованного Unlock до любого из шагов. Секретам нужны Sanitize / Auto Redact, а не OCR. Экспорт таблиц, возвращающий 204 после скана, означает, что текстовых колонок не найдено: сначала OCR в Markdown, затем решайте, применим ли вообще табличный инструмент (Пустой экспорт таблиц (204)).

За какими выводами следить

После типичного запуска у вас может быть три артефакта: исходная пачка сканов, скачанный .md из OCR и (необязательно) сжатая копия PDF. Подписывайте их. Отправить почтой только Markdown — потерять изображения страниц; отправить только сжатый PDF — всё равно не получить слой выделения и поиска из этого пути OCR. Конвейерам, которым нужны и слова, и PDF поменьше, придётся хранить оба вывода или позже перезапустить одну из сторон.

Force OCR на цифровой пачке со сломанным текстовым слоем всё ещё может быть полезен; Auto на чистой цифровой пачке может вообще пропустить среду OCR. Ни один режим не записывает текст обратно в PDF.

Чем этот процесс не является

Пачки сканов терпят неудачу, когда команды предполагают, что одна кнопка и извлекает текст, и уменьшает пиксели, как это мог бы делать настольный конвейер OCRmyPDF. Здесь текст уходит как Markdown; PDF остаётся PDF, если вы не сожмёте его намеренно. На этом сайте нет шага, который одним вызовом вернул бы «тот же PDF, теперь с поиском и меньше».

Об HTTP-автоматизации тех же операций см. Разработчикам.