Product3 min läsning

Skanningspaket till text: kör OCR och komprimera sedan PDF:en du behåller

Ett skanningspaket kräver två steg: OCR hos PDF123 ger Markdown-text, medan Komprimera krymper original-PDF:en med strömkomprimering. Resultaten skiljer sig.

By the PDF123 team · Updated 2026-09-28
Skanningspaket till text: kör OCR och komprimera sedan PDF:en du behåller

Ett ”skanningspaket” är oftast en stapel sidbilder sammanfogade till en PDF: tung på disken och tom för sökning och kopiering. Två verktyg som folk kör i följd ger inte en enda magiskt sökbar PDF hos oss. OCR returnerar Markdown. Komprimera PDF skriver om PDF:en som du fortfarande behåller.

Den uppdelningen är hela arbetsflödet.

Vad OCR faktiskt ger dig här

POST /api/v1/misc/ocr-pdf kör igenkänning och laddar ner en .md-fil (text/markdown): text som redan finns i PDF:en sammanslagen med OCR från rena bildsidor. Den skriver inte tillbaka ett dolt textlager i PDF:en. Förväntade du dig att kunna markera och söka i samma fil är det en annan slags produkt (klassisk utdata i OCRmyPDF-stil). Den här slutpunkten är till för text som en agent eller pipeline kan läsa.

Auto mot Force OCR:

  • Allt annat än ocrType=force-ocr (inklusive portalens etikett ”Normal”) motsvarar Auto: använd befintlig text där den finns och kör OCR på de sidor som bara är bilder.
  • force-ocr läser om varje sida, även sidor som redan har ett textlager.

Det finns ingen språkväljare i portalens formulär. Kvarvarande fält av tessdata-typ från äldre vägar (languages, deskew, clean-flaggor och liknande) ignoreras av Rust-vägen ocr_pdf. Auto mot Force, och varför igenkänningen misslyckas på dåliga skanningar, beskrivs i Hur OCR läser en skannad PDF.

OCR krymper inte PDF:en. Markdown-nedladdningen är en andra produkt vid sidan av det ursprungliga skanningspaketet.

Var Komprimera passar in

Komprimera PDF (POST /api/v1/misc/compress-pdf) kör qpdf:s strömkomprimering: --compress-streams=y, omkomprimering av flate-data och generering av objektströmmar. Den hittar inte på ett textlager, subsettar inte teckensnitt och lovar inte fotografisk nedsampling. På en skanningstung fil kan den ändå krympa lagringen genom att packa strömmarna hårdare; på en redan tät fil kan vinsten bli liten. Bakgrund om strömmar mot bildspakar: Vad som faktiskt händer när du komprimerar en PDF.

Använd Komprimera på den PDF du ska arkivera eller mejla. Använd Markdown-texten från OCR när du behöver orden. Att komprimera först gör inte OCR mer träffsäkert, och att köra OCR först gör inte PDF:en mindre.

En praktisk ordning

  1. Om läsaren inte öppnar paketet, kör Reparera PDF eller Dokumentinfo först.
  2. Kör OCR på skanningspaketet till Markdown och granska några sidor text.
  3. Komprimera separat en kopia av PDF:en om storleken är det kvarvarande problemet.
  4. Behåll det orörda originalet när regelverket kräver det.

Krypterade filer kräver fortfarande en behörig upplåsning via Ta bort lösenord före båda stegen. Hemligheter kräver Rensa PDF eller Svärta text, inte OCR. En tabellexport som returnerar 204 efter en skanning betyder att inga textkolumner hittades: kör OCR till Markdown först och avgör sedan om ett kalkylprogram alls är rätt verktyg (Tom tabellexport (204)).

Resultat du bör hålla reda på

Efter en typisk körning kan du ha tre produkter: det ursprungliga skanningspaketet, en .md-fil från OCR och (valfritt) en komprimerad kopia av PDF:en. Märk dem. Mejlar du bara Markdown-texten förlorar du sidbilderna; mejlar du bara den komprimerade PDF:en har den fortfarande inget lager för markering och sökning från den här OCR-vägen. Kedjor som behöver både orden och en mindre PDF måste spara båda resultaten eller köra om ena sidan senare.

Force OCR på ett digitalt skapat paket med ett trasigt textlager kan fortfarande vara användbart; Auto på ett rent digitalt skapat paket kan hoppa över OCR-motorn helt. Ingen av körningarna skriver tillbaka text i PDF:en.

Vad arbetsflödet inte är

Skanningspaket misslyckas när team utgår från att en enda knapp både extraherar texten och krymper pixlarna, som en kedja med OCRmyPDF på skrivbordet kan göra. Här lämnar texten som Markdown, och PDF:en förblir en PDF om du inte komprimerar den med avsikt. Det finns inget steg hos oss som från ett enda anrop ger ”samma PDF, nu sökbar och mindre”.

För att automatisera samma operationer över HTTP, se Utvecklare.

Open tool
Process in the browser — no watermark, files removed after the job.
Open tool