PPDF123
Formatsอ่านประมาณ 2 นาที

OCR อ่าน PDF สแกนอย่างไร และทำไมเครื่องมือนี้คืน Markdown

PDF สแกนคือภาพของข้อความ เอนด์พอยต์ OCR นี้คืน Markdown เป็นค่าเริ่มต้น และคืน PDF ที่ค้นหาได้เมื่อร้องขอ Auto ใช้ข้อความเดิมในไฟล์ ส่วน Force OCR อ่านทุกหน้าใหม่

By the PDF123 team · Updated 2026-10-09
OCR อ่าน PDF สแกนอย่างไร และทำไมเครื่องมือนี้คืน Markdown

PDF สแกนเก็บหน้าเป็นภาพแรสเตอร์ ภาพถ่ายของข้อความ ไม่ใช่ตัวอักษรที่เลือกได้ OCR (optical character recognition) มองพิกเซลเหล่านั้น เดารูปร่างใดเป็นตัวอักษร แล้วปล่อยข้อความจริงออกมา บน PDF123 งานนี้รันเป็นเครื่องมือเบราว์เซอร์ฟรีและเป็น POST /api/v1/misc/ocr-pdf ผลลัพธ์เป็น Markdown โดยค่าเริ่มต้น หรือเป็น PDF ที่ค้นหาได้เมื่อคุณขอ

ภาพประกอบหน้าที่สแกนก่อน OCR (มีแต่ภาพ) และหลัง OCR (ข้อความจัดแนวตามหน้า) เครื่องมือ OCR สำหรับ PDF จำนวนมากเขียนข้อความนั้นกลับเป็นเลเยอร์ซ่อน เอนด์พอยต์ของเว็บไซต์นี้คืน Markdown เป็นค่าเริ่มต้น และจะเขียนเลเยอร์ซ่อนก็ต่อเมื่อคุณขอ PDF ที่ค้นหาได้

สแกนก็ยังเป็นภาพอยู่ดี

OCR ไม่ได้ทำความสะอาด ทำให้คม หรือแทนที่บิตแมป ไฟล์สแกนที่คมแต่ OCR อ่านผิด ก็ยังดูคม ปัญหาคอขวดไม่เคยอยู่ที่คุณภาพภาพ แต่อยู่ที่การรู้จำ สลับเอนจินรู้จำบนสแกนชุดเดียวกัน ความแม่นยำอาจเปลี่ยนไปมาก ทั้งที่พิกเซลเดิมไม่ถูกแตะต้องเลย

OCR บน PDF แบบคลาสสิกเขียนเลเยอร์ข้อความที่สองซึ่งมองไม่เห็น ซ้อนให้ตรงกับภาพด้านล่าง เพื่อให้การเลือกและค้นหาตกที่คำถูกต้อง ไดอะแกรมแสดงวิธีนี้ และเครื่องมือเดสก์ท็อปหลายตัวก็ยังทำแบบเดียวกัน

เอนด์พอยต์นี้คืนอะไรจริง ๆ

เส้นทาง OCR เรียก /api/v1/misc/ocr-pdf ซึ่งรันบน Rust crate แบบสแตนด์อโลนชื่อ pdf-inspector (คอมไพล์พร้อมฟีเจอร์ ocr) มันไม่ได้ส่ง PDF ทั้งไฟล์ให้โมเดลรู้จำ pdf-inspector จะจัดประเภทแต่ละหน้าก่อนว่ามีข้อความต้นฉบับที่ดึงออกมาได้อยู่แล้ว หรือเป็นภาพล้วน หน้าที่มีข้อความต้นฉบับจะเก็บข้อความนั้นไว้ตามเดิมและไม่แตะโมเดลรู้จำเลย ส่วนหน้าที่เป็นภาพล้วนจะผ่านไปป์ไลน์การรู้จำแทน—PDFium (ตัวเรนเดอร์โอเพนซอร์สตัวเดียวกับที่ Chrome ใช้ภายใน) จะแรสเตอร์หน้านั้น แล้ว ONNX Runtime จะรันโมเดล PP-OCRv6 Small เพื่ออ่านมัน ทั้งสองแบบของหน้าจะถูกเย็บรวมตามลำดับเป็นเอกสาร Markdown เดียว นี่คือเหตุผลที่การตอบกลับเป็น text/markdown และไฟล์ที่ดาวน์โหลดลงท้ายด้วย .md

สัญญาแบบนี้เพิ่งมีในการเขียนใหม่ครั้งนี้ แบ็กเอนด์ Java/Spring Boot เดิมที่โปรเจกต์นี้เคยรันเรียกใช้ OCRmyPDF วิธีคลาสสิกแบบ "ภาพบวกเลเยอร์ข้อความซ่อน" และคืนผลเป็น PDF การเขียนใหม่ด้วย Rust แทนที่เส้นทางนั้นทั้งหมดด้วย OCR แบบเลือกหน้าของ pdf-inspector และผลลัพธ์ก็ย้ายจาก PDF ไปเป็น Markdown ไปพร้อมกัน แบ็กเอนด์ Java เก่าถูกลบออกจากรีโพซิทอรีไปแล้วโดยสิ้นเชิงตั้งแต่นั้น มันไม่ใช่สวิตช์ที่จะสลับกลับไปใช้ได้

PDF ที่ค้นหาได้ (ภาพพร้อมเลเยอร์ข้อความ) เป็นผลลัพธ์อีกแบบหนึ่ง ส่ง outputFormat=pdf แล้วเอนด์พอยต์เดียวกันจะเรนเดอร์ทุกหน้าที่ 300 dpi รู้จำด้วย Tesseract ตามภาษาที่คุณระบุ (ค่าเริ่มต้น eng ต่อกันได้สูงสุดสี่ภาษาด้วย +) แล้วคืนหน้าที่มีเลเยอร์ข้อความซ่อนอยู่ สูงสุด 50 หน้าต่อคำขอ เส้นทางนี้แยกจากทุกอย่างข้างต้น การแยก Auto/Force, pdf-inspector และโมเดล PP-OCRv6 เป็นของผลลัพธ์ Markdown ซึ่งไม่มีพารามิเตอร์ภาษา

Auto กับ Force OCR

ฟอร์มมีฟิลด์ ocrType

  • Normal (ค่าอื่นใดที่ไม่ใช่ force-ocr) แมปไปที่ Auto คือใช้ข้อความเดิมที่มีในไฟล์ และรัน OCR เฉพาะหน้าที่เป็นภาพล้วน บน PDF ดิจิทัลโดยตรง Auto จะไม่โหลดรันไทม์ OCR
  • Force OCR (ocrType=force-ocr) รันการรู้จำใหม่ทุกหน้า รวมหน้าที่มีเลเยอร์ข้อความอยู่แล้ว คุณจ่ายด้วยเวลา ไม่ใช่ความแม่นยำที่เพิ่มขึ้น สำหรับหน้าที่เป็นภาพล้วนจริง แต่ได้รอบอ่านที่ไม่เชื่อเลเยอร์เดิมที่พังหรือไม่ครบ

ค่าเริ่มต้นของพอร์ทัลคือ Force OCR และไม่มีการเลือกภาษา เพราะรหัส tessdata ที่ตกค้างจากเส้นทาง Java เดิมถูกเพิกเฉย

การแยก Auto/Force เกิดขึ้นภายในคำขอเอง และทั้งพอร์ทัลและ capability probe ของ API ก็ไม่ได้ตรวจสอบให้ล่วงหน้า GET /api/v1/settings/get-endpoints-status จะรายงานว่า ocr-pdf "enabled" เสมอ โดยไม่ได้ตรวจจริงว่าติดตั้ง PDFium, ONNX Runtime หรือโมเดล PP-OCRv6 ไว้หรือไม่ การตรวจจริงจะเกิดขึ้นก็ต่อเมื่อคำขอนั้นไปกระตุ้นการรู้จำ: ถ้าขาดตัวใดตัวหนึ่งไป เอนด์พอยต์จะคืนค่า 503 ไม่ใช่ Markdown ที่ลดคุณภาพแล้วเงียบ ๆ ถอยไปใช้แค่ข้อความต้นฉบับ โมเดล PP-OCRv6 Small เองมีขนาดประมาณ 31 MB เว้นแต่จะถูกฝังไว้ล่วงหน้าในแคชท้องถิ่นตอนดีพลอย มันจะดาวน์โหลดผ่านเครือข่ายในครั้งแรกที่มีหน้าที่ต้องการการรู้จำจริง ๆ เครื่องที่ออฟไลน์และไม่มีโมเดลฝังไว้ล่วงหน้ามีแนวโน้มสูงที่จะล้มเหลวตั้งแต่คำขอ Force ครั้งแรกเลย แทนที่จะแค่ทำงานช้าลง

การรู้จำคือความน่าจะเป็น

เอ็นจินจับคู่แพทเทิร์นพิกเซลกับโมเดลตัวอักษรและคำ จึงทำได้ดีกับงานพิมพ์สะอาด คอนทราสต์สูง ฟอนต์มาตรฐาน แต่แย่ลงเมื่อเจอ

  • ไฟล์สแกนความละเอียดต่ำหรือคอนทราสต์ต่ำ (คุณภาพระดับแฟกซ์เทียบกับต้นฉบับ 300 DPI)
  • ลายมือเขียน ฟอนต์ตกแต่ง และเลย์เอาต์แปลก ๆ (ตารางหลายคอลัมน์ ข้อความหมุน ฟอร์มที่แน่น)
  • หน้าเอียงที่ทำให้รูปทรง glyph บิดเบี้ยวพอจะหลอกการจับคู่

แฟกซ์ที่เบลอจะ OCR ได้ไม่เหมือนไฟล์สแกนที่สะอาด ไม่ว่าจะใช้ Auto หรือ Force นี่คือข้อจำกัดของตัวโมเดลเอง ไม่ใช่สิ่งที่พารามิเตอร์จะแก้ได้

OCR ไม่ทำอะไรบ้าง

OCR ให้ข้อความ แต่ไม่ประกอบย่อหน้า หัวเรื่อง ตาราง กลับคืนมา และไม่สร้างเอกสาร Word ที่ปรับการไหลข้อความได้ การทำเลย์เอาต์ให้แก้ไขได้เป็นปัญหาการแปลงที่ซ้อนบนความผิดพลาดของการรู้จำ ไม่ใช่งานเดียวกับการอ่านสแกน

OCR a PDF รันบนเซิร์ฟเวอร์โดยไม่ต้องมีบัญชี ดาวน์โหลดเป็น Markdown โดยค่าเริ่มต้น และเลือก PDF ที่ค้นหาได้หากต้องการเลเยอร์ข้อความ ถ้าเลเยอร์ข้อความเดิมดูผิด ให้ใช้ Force OCR เพื่อไม่ให้ Auto เชื่อเลเยอร์นั้น ส่วนการเช็กว่าเครื่องหนึ่ง ๆ มี PDFium และโมเดลติดตั้งจริงหรือไม่ การรันคำขอจริงเชื่อถือได้กว่าการอ่านค่าจาก capability probe เพราะ probe ยืนยันได้แค่ว่าเอนด์พอยต์มีอยู่ ไม่ใช่ว่ารันไทม์ของมันพร้อมแล้ว ส่วนคีย์งานอัตโนมัติและ OpenAPI ดูที่ Developers

Open tool
Process in the browser — no watermark, files removed after the job.
Open tool
Read next
การแก้ไขข้อความใน PDF ทำงานอย่างไร: content stream, การเข้ารหัสฟอนต์ และเหตุผลที่แก้ได้ทีละบรรทัด
หน้า PDF ไม่มีย่อหน้าหรือกล่องข้อความ มีเพียงคำสั่งให้วาด glyph ด้วยฟอนต์หนึ่ง ณ ตำแหน่งหนึ่ง การแก้ไขหนึ่งบรรทัดคือการลบคำสั่งเดิมแล้วเขียนคำสั่งใหม่ที่ตำแหน่งเดิม และสิ่งนี้เองกำหนดว่าอะไรแก้ได้และอะไรแก้ไม่ได้
ให้ผู้ช่วย AI ใช้เครื่องมือ PDF: เริ่มต้นกับ @pdf123/mcp และแบบในเครื่องเทียบกับแบบโฮสต์
เชื่อม @pdf123/mcp กับ Claude Code, Claude Desktop หรือ Cursor ภายในสองนาที เพื่อให้ผู้ช่วย AI รวม บีบอัด และแปลง PDF บนเครื่องของคุณผ่านพาธไฟล์ เซิร์ฟเวอร์ในเครื่องส่งต่อเฉพาะพาธ ส่วนเอนด์พอยต์ /mcp แบบโฮสต์ต้องใส่ไฟล์เป็น base64 ในอาร์กิวเมนต์ของเครื่องมือ และ PDFX_MCP_ROOT จำกัดไดเรกทอรีที่เซิร์ฟเวอร์ในเครื่องอ่านและเขียนได้
จาก Markdown เป็น PDF และกลับ: การแปลงรูปแบบเก็บอะไรไว้
Markdown↔PDF เก็บหัวเรื่อง รายการ และตารางง่ายได้ดีกว่าพิกเซล ฟอนต์เป๊ะ การแบ่งหน้า และเลย์เอาต์ไม่รอดเป็น round trip ที่ไม่สูญเสีย