ProductDakika 3 za kusoma

Pakiti ya Skani hadi Maandishi: OCR kisha Bana PDF Unayoendelea Kuihifadhi

Pakiti ya skani huhitaji hatua mbili: OCR hurudisha Markdown, wakati Compress hubana PDF asili kwa ubanaji upya wa mitiririko. Mpangilio na matokeo hutofautiana.

By the PDF123 team · Updated 2026-09-28
Pakiti ya Skani hadi Maandishi: OCR kisha Bana PDF Unayoendelea Kuihifadhi

“Pakiti ya skani” kwa kawaida ni mrundikano wa picha za kurasa zilizounganishwa kwenye PDF moja: nzito kwenye diski, tupu kwa kutafuta na kunakili. Zana mbili ambazo watu huzifunga pamoja hazitoi PDF moja ya kichawi inayoweza kutafutwa kwenye tovuti hii. OCR hurudisha Markdown. Bana huandika upya PDF unayoendelea kuihifadhi.

Mgawanyiko huo ndio mtiririko wote wa kazi.

OCR hukupa nini hasa hapa

POST /api/v1/misc/ocr-pdf huendesha utambuzi na kupakua faili ya .md (text/markdown): maandishi ya asili ya PDF yaliyochanganywa na OCR kutoka kurasa za picha. Haiandiki tabaka la maandishi lililofichwa ndani ya PDF. Kama ulitarajia kuchagua-na-kutafuta ndani ya faili hilo hilo, huo ni umbo tofauti la bidhaa (tokeo la kawaida la aina ya OCRmyPDF). Kituo hiki ni kwa maandishi ambayo ajenti au mtiririko wa kazi unaweza kusoma.

Auto dhidi ya Force OCR:

  • Kitu chochote kingine isipokuwa ocrType=force-ocr (ikiwemo lebo ya jukwaa “Normal”) huelekea Auto: tumia maandishi yaliyopo pale yalipo; OCR kurasa za picha pekee.
  • force-ocr husoma kila ukurasa upya, ikiwemo kurasa ambazo tayari zina tabaka la maandishi.

Hakuna kichagua lugha kwenye fomu ya jukwaa. Sehemu za aina ya tessdata zilizobaki kutoka njia za zamani (languages, kurekebisha mchepuko, vibendera vya usafi na kadhalika) hupuuzwa na njia ya Rust ya ocr_pdf. Auto dhidi ya Force, na kwa nini utambuzi hushindwa kwenye skani mbaya, zimeelezwa katika Jinsi OCR husoma PDF iliyoskaniwa.

OCR haipunguzi PDF. Upakuaji wa Markdown ni kipande cha pili kando ya pakiti ya skani asili.

Compress inafaa wapi

Bana (POST /api/v1/misc/compress-pdf) huendesha ubanaji wa mitiririko wa qpdf: --compress-streams=y, kubana upya flate, na mitiririko ya objekti inayotengenezwa. Haivumbui tabaka la maandishi, haipunguzi fonti, na haiahidi kupunguza picha. Kwenye faili yenye skani nyingi inaweza bado kupunguza hifadhi kwa kubana mitiririko kwa nguvu; kwenye faili iliyobanwa tayari faida inaweza kuwa ndogo. Usuli wa vifundo vya mitiririko dhidi ya picha: Kinachotokea hasa unapobana PDF.

Tumia Compress kwenye PDF utakayoihifadhi au kuituma kwa barua pepe. Tumia tokeo la Markdown la OCR unapohitaji maneno. Kubana kwanza hakufanyi OCR kuwa sahihi zaidi; OCR kwanza hakufanyi PDF kuwa ndogo.

Mpangilio wa vitendo

  1. Kama kionyeshi hakitafungua pakiti, Repair au Pata Taarifa kwanza.
  2. OCR pakiti ya skani hadi Markdown na uangalie kwa haraka kurasa chache za maandishi.
  3. Kando, bana nakala ya PDF kama ukubwa ni tatizo linalobaki.
  4. Hifadhi asili isiyoguswa wakati sera inahitaji hivyo.

Kusimba faili bado huhitaji Unlock iliyoidhinishwa kabla ya hatua yoyote. Siri huhitaji Sanitize / Auto Redact, si OCR. Utoaji wa jedwali unaorudisha 204 baada ya skani humaanisha hakuna safu za maandishi zilizopatikana; OCR Markdown kwanza, kisha amua kama zana ya lahajedwali inafaa hata (Utoaji wa jedwali tupu (204)).

Matokeo unayopaswa kufuatilia

Baada ya mzunguko wa kawaida unaweza kushikilia vipande vitatu: pakiti ya skani asili, upakuaji wa Markdown wa OCR, na (kwa hiari) nakala ya PDF iliyobanwa. Viweke lebo. Kutuma Markdown pekee hupoteza picha za kurasa; kutuma PDF iliyobanwa pekee bado haina tabaka la kuchagua-na-kutafuta kutoka njia hii ya OCR. Mitiririko inayohitaji maneno na PDF ndogo lazima ihifadhi matokeo yote mawili au iendeshe upande mmoja tena baadaye.

Force OCR kwenye pakiti ya kidijitali yenye tabaka la maandishi lililovunjika inaweza bado kuwa muhimu; Auto kwenye pakiti safi ya kidijitali inaweza kuruka mazingira ya OCR kabisa. Hakuna hali inayoandika maandishi ndani ya PDF.

Mtiririko huu wa kazi si nini

Pakiti za skani hushindwa wakati timu hudhani kitufe kimoja huchimba maandishi na kupunguza pikseli kama mtiririko wa mezani wa OCRmyPDF unaweza. Hapa maandishi hutoka kama Markdown; PDF hubaki PDF isipokuwa uiendeshe Compress kwa kusudi. Hakuna hatua kwenye tovuti hii inayorudisha “PDF hiyo hiyo, sasa inayoweza kutafutwa na ndogo” kwa mwito mmoja.

Kwa uendeshaji wa kiotomatiki wa HTTP wa operesheni hizo hizo, ona Watengenezaji.

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