Як OCR читає відсканований PDF — і чому цей інструмент повертає Markdown
Відсканований PDF — це зображення тексту. Ця кінцева точка OCR за замовчуванням повертає Markdown, а на запит — PDF із пошуком по тексту. Auto бере наявний текст, Force OCR перечитує все.

Відсканований PDF зберігає сторінки як растрові зображення — фотографії тексту, а не символи, які можна виділити. OCR (optical character recognition) дивиться на ці пікселі, вгадує, які форми є літерами, і видає справжній текст. На PDF123 це працює як безкоштовний браузерний інструмент і як POST /api/v1/misc/ocr-pdf; відповідь за замовчуванням — Markdown, а на запит — PDF із пошуком по тексту.
Скан усе ще залишається зображенням
OCR не очищує, не загострює й не замінює растрове зображення. Чіткий скан, який OCR прочитав неправильно, усе одно виглядає чітким. Зображення ніколи не було вузьким місцем — ним було розпізнавання: заміните рушій розпізнавання на тій самій пачці сканів, і точність може різко змінитися, хоча самі пікселі залишаться незмінними.
Класичний OCR для PDF записує другий, невидимий текстовий шар, вирівняний під зображенням, щоб виділення й пошук потрапляли в потрібні слова. Саме це показує схема, і досі так працюють багато настільних інструментів.
Що насправді повертає ця кінцева точка
Маршрут OCR звертається до /api/v1/misc/ocr-pdf, який працює на окремому Rust-креті pdf-inspector (зібраному з функцією ocr). Він не передає модель розпізнавання весь PDF цілком. Спершу pdf-inspector класифікує кожну сторінку: на ній або вже є придатний до вилучення нативний текст, або вона є лише зображенням. Сторінки з нативним текстом зберігають цей текст як є й ніколи не потрапляють до моделі розпізнавання; сторінки-зображення проходять через конвеєр розпізнавання — PDFium (той самий відкритий рендерер, який використовує всередині Chrome) растеризує сторінку, а ONNX Runtime запускає модель PP-OCRv6 Small, щоб її прочитати. Обидва типи сторінок зшиваються по порядку в один документ Markdown, тому відповідь має тип text/markdown, а завантажуваний файл закінчується на .md.
Цей контракт зʼявився лише в цій переробці. Раніше проєкт працював на бекенді Java/Spring Boot, який викликав OCRmyPDF — класичний підхід «зображення плюс прихований текстовий шар» — і повертав PDF. Переписавши бекенд на Rust, цей шлях замінили повністю на вибірковий OCR від pdf-inspector, і разом із цим вивід змінився з PDF на Markdown. Старий Java-бекенд відтоді повністю видалено з репозиторію — це не перемикач, який можна ввімкнути назад.
PDF із пошуком по тексту (зображення плюс текстовий шар) — окремий результат. Надішліть outputFormat=pdf, і та сама кінцева точка відрендерить кожну сторінку у 300 dpi, розпізнає її Tesseract указаною вами мовою (за замовчуванням eng, до чотирьох через +) і поверне сторінки з прихованим текстовим шаром, до 50 сторінок за запит. Цей шлях не залежить від усього сказаного вище: поділ Auto/Force, pdf-inspector і модель PP-OCRv6 стосуються виводу Markdown, у якого немає параметра мови.
Auto проти Force OCR
У формі є поле ocrType:
- Normal (будь-що, крім
force-ocr) відповідає Auto: використовувати наявний текст там, де файл його вже має; запускати OCR на сторінках лише із зображеннями. На чисто цифровому PDF Auto не завантажує середовище OCR. - Force OCR (
ocrType=force-ocr) заново запускає розпізнавання на кожній сторінці, зокрема на тих, де текстовий шар уже є. На справді суто графічних сторінках ви платите часом, а не додатковою точністю; натомість отримуєте прохід, який ігнорує пошкоджений або частковий наявний шар.
Типове значення в порталі — Force OCR. Керування мовою немає: залишкові коди tessdata зі старого шляху на Java ігноруються.
Розділення Auto/Force відбувається всередині самого запиту, і ні портал, ні перевірка можливостей API не зʼясовують це заздалегідь. GET /api/v1/settings/get-endpoints-status завжди повідомляє, що ocr-pdf увімкнено, насправді не перевіряючи, чи встановлені PDFium, ONNX Runtime і модель PP-OCRv6. Справжня перевірка відбувається в момент, коли запит запускає розпізнавання: якщо чогось із цього бракує, endpoint повертає 503, а не деградований Markdown, який тихо відкочується до самого лише нативного тексту. Сама модель PP-OCRv6 Small важить близько 31 МБ; якщо її заздалегідь не завантажили в локальний кеш під час розгортання, вона довантажується мережею при першій реальній потребі в розпізнаванні. Офлайн-машина без попередньо завантаженої моделі, найімовірніше, впаде саме на першому запиті з Force, а не просто працюватиме повільніше.
Розпізнавання має ймовірнісний характер
Рушії зіставляють візерунки пікселів із моделями літер і слів. Вони добре працюють на чистому, контрастному друці стандартним шрифтом і гірше на:
- сканах низької роздільності чи низького контрасту (якість факсу проти оригіналу на 300 DPI);
- рукописі, декоративних шрифтах, незвичній верстці (багатоколонкові таблиці, повернутий текст, щільні форми);
- перекошених сторінках, які спотворюють форми гліфів рівно настільки, щоб збити зіставлення.
Розмитий факс не розпізнається так, як чистий скан, незалежно від Auto чи Force. Це обмеження самої моделі, а не те, що можна виправити якимось параметром.
Чого OCR не робить
OCR дає вам текст. Він не відбудовує абзаци, заголовки, таблиці чи Word-документ, що переверстується. Редагована верстка — це задача конвертації поверх помилки розпізнавання, а не те саме, що прочитати скан.
Розпізнати PDF працює на сервері без облікового запису. За замовчуванням звантажується Markdown; щоб отримати текстовий шар, оберіть PDF із пошуком по тексту. Якщо наявний текстовий шар виглядає неправильно, скористайтеся Force OCR, щоб Auto не довіряв цьому шару; а щоб перевірити, чи справді на конкретній машині встановлено PDFium і модель, надійніше надіслати справжній запит, ніж дивитися на перевірку можливостей — вона лише підтверджує, що endpoint існує, а не що його середовище виконання готове. Для ключів автоматизації та OpenAPI див. Розробникам.