แพ็กสแกนเป็นข้อความ: OCR แล้ว Compress PDF ที่คุณยังเก็บ
แพ็กสแกนต้องทำสองขั้นตอน: OCR บน PDF123 คืนข้อความ Markdown ขณะที่ Compress ย่อ PDF ต้นฉบับด้วยการบีบอัดสตรีมใหม่ ลำดับและเอาต์พุตจึงต่างกัน

“แพ็กสแกน” มักเป็นกองภาพหน้าที่ยึดเข้าเป็น PDF เดียว: หนักบนดิสก์ และว่างเปล่าสำหรับการค้นหาหรือคัดลอก เครื่องมือสองตัวที่คนมักต่อกันบนไซต์นี้ไม่ได้สร้าง PDF ค้นหาได้วิเศษเพียงอันเดียว OCR คืน Markdown ส่วน Compress เขียนไฟล์ PDF ที่คุณยังเก็บไว้ขึ้นใหม่
การแยกกันแบบนี้คือทั้งเวิร์กโฟลว์
OCR ให้คุณอะไรจริง ๆ ที่นี่
POST /api/v1/misc/ocr-pdf รันการรู้จำและดาวน์โหลดไฟล์ .md (text/markdown): ข้อความจาก PDF ดั้งเดิมผสมกับผล OCR จากหน้าที่เป็นภาพ มันไม่เขียนเลเยอร์ข้อความที่ซ่อนอยู่กลับเข้าไปใน PDF ถ้าคุณคาดว่าจะเลือกและค้นหาได้ในไฟล์เดียวกัน นั่นคือรูปผลิตภัณฑ์อีกแบบ (เอาต์พุตแบบ OCRmyPDF คลาสสิก) เอนด์พอยต์นี้มีไว้สำหรับข้อความที่เอเจนต์หรือไปป์ไลน์อ่านได้
Auto กับ Force OCR:
- อะไรก็ตามที่ไม่ใช่
ocrType=force-ocr(รวมถึงป้าย “Normal” บนพอร์ทัล) จะแมปเป็น Auto: ใช้ข้อความที่มีอยู่แล้วตรงไหนใช้ได้ และ OCR เฉพาะหน้าที่เป็นภาพล้วน force-ocrอ่านทุกหน้าใหม่ รวมถึงหน้าที่มีเลเยอร์ข้อความอยู่แล้ว
บนฟอร์มพอร์ทัลไม่มีตัวเลือกภาษา ฟิลด์แบบ tessdata ที่ตกค้างจากเส้นทางเก่า (languages, deskew, ธง clean และอื่น ๆ ที่คล้ายกัน) ถูกเส้นทาง Rust ocr_pdf เพิกเฉย ส่วน Auto กับ Force และสาเหตุที่การรู้จำล้มเหลวบนสแกนแย่ ๆ มีอธิบายใน How OCR reads a scanned PDF
OCR ไม่ได้ทำให้ PDF เล็กลง การดาวน์โหลด Markdown เป็นอาร์ติแฟกต์ชิ้นที่สองที่อยู่ข้างแพ็กสแกนต้นฉบับ
Compress อยู่ตรงไหน
Compress (POST /api/v1/misc/compress-pdf) รันการบีบอัดสตรีมด้วย qpdf: --compress-streams=y, บีบอัด flate ใหม่ และสร้าง object stream มันไม่ประดิษฐ์เลเยอร์ข้อความ ไม่ทำซับเซตฟอนต์ และไม่สัญญาว่าจะลดตัวอย่างภาพถ่าย บนไฟล์ที่หนักด้วยสแกน มันยังย่อพื้นที่เก็บได้ด้วยการแพ็กสตรีมให้แน่นขึ้น ส่วนไฟล์ที่แน่นอยู่แล้วกำไรอาจเล็ก ความเป็นมาของคันโยกสตรีมกับภาพ: เมื่อคุณบีบอัด PDF เกิดอะไรขึ้นจริง ๆ
ใช้ Compress กับ PDF ที่จะเก็บหรือส่งอีเมล ใช้เอาต์พุต Markdown จาก OCR เมื่อต้องการตัวคำ การบีบอัดก่อนไม่ทำให้ OCR แม่นขึ้น และ OCR ก่อนก็ไม่ทำให้ PDF เล็กลง
ลำดับที่ใช้ได้จริง
- ถ้าโปรแกรมอ่านเปิดแพ็กไม่ได้ ให้ Repair หรือ Get Info ก่อน
- OCR แพ็กสแกนเป็น Markdown แล้วสุ่มตรวจข้อความสองสามหน้า
- แยกกัน Compress สำเนา ของ PDF ถ้าขนาดยังเป็นปัญหาที่เหลืออยู่
- เก็บต้นฉบับที่ไม่ถูกแตะไว้เมื่อนโยบายกำหนด
ไฟล์ที่เข้ารหัสยังต้อง Unlock อย่างได้รับอนุญาตก่อนขั้นใดขั้นหนึ่ง ส่วนความลับต้องใช้ Sanitize / Auto Redact ไม่ใช่ OCR การส่งออกตารางที่คืน 204 หลังสแกนหมายความว่าไม่พบคอลัมน์ข้อความ ให้ OCR เป็น Markdown ก่อน แล้วค่อยตัดสินใจว่าเครื่องมือสเปรดชีตใช้ได้จริงหรือไม่ (ส่งออกตารางว่าง (204))
เอาต์พุตที่ควรติดตาม
หลังรันตามปกติ คุณอาจถืออาร์ติแฟกต์สามชิ้น: แพ็กสแกนต้นฉบับ ไฟล์ .md จาก OCR และ (ถ้าต้องการ) สำเนา PDF ที่บีบอัดแล้ว ควรติดป้ายให้ชัดเจน การส่งอีเมลเฉพาะ Markdown ทำให้เสียภาพหน้า ส่วนการส่งอีเมลเฉพาะ PDF ที่บีบอัดก็ยังไม่มีเลเยอร์เลือกและค้นหาจากเส้นทาง OCR นี้ ไปป์ไลน์ที่ต้องการทั้งตัวคำและ PDF ที่เล็กลงจึงต้องเก็บทั้งสองเอาต์พุต หรือรันฝั่งใดฝั่งหนึ่งใหม่ภายหลัง
การใช้ Force OCR กับแพ็กแบบ born-digital ที่มีเลเยอร์ข้อความพังยังมีประโยชน์ ส่วน Auto กับแพ็ก born-digital ที่สะอาดอาจข้ามการรัน OCR ทั้งก้อนไป ไม่มีโหมดใดเขียนข้อความกลับเข้าไปใน PDF
เวิร์กโฟลว์นี้ไม่ใช่อะไร
แพ็กสแกนจะล้มเหลวเมื่อทีมสมมติว่าปุ่มเดียวทั้งดึงข้อความและย่อพิกเซล เหมือนไปป์ไลน์ OCRmyPDF บนเดสก์ท็อป ที่นี่ข้อความออกมาเป็น Markdown ส่วน PDF ยังเป็น PDF เว้นแต่คุณจะ Compress โดยตั้งใจ ไม่มีขั้นตอนใดบนไซต์นี้ที่คืน “PDF เดิม ตอนนี้ค้นหาได้และเล็กลง” จากการเรียกครั้งเดียว
งานอัตโนมัติผ่าน HTTP ของ op เดียวกัน: Developers