PPDF123
Formats4 хв читання

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.

By the PDF123 team · Updated 2026-10-09
Як OCR читає відсканований PDF — і чому цей інструмент повертає Markdown

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.

Схема сторінки до OCR (лише зображення) і після (текст, вирівняний за сторінкою). Багато інструментів OCR записують цей текст назад як прихований шар; кінцева точка цього сайту за замовчуванням повертає Markdown і записує прихований шар лише тоді, коли запитано 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.

Open tool
Process in the browser — no watermark, files removed after the job.
Open tool
Read next
Як працює редагування тексту в PDF: потоки вмісту, кодування шрифтів і чому можна правити лише один рядок за раз
На сторінці PDF немає абзаців і текстових блоків, лише інструкції намалювати гліфи шрифтом у заданій позиції. Правка рядка видаляє старі інструкції й записує нові на тому самому місці, і саме це визначає, що можна редагувати, а що ні.
Інструменти PDF для ШІ-асистента: початок роботи з @pdf123/mcp, локальний і хмарний варіанти
Підключіть @pdf123/mcp до Claude Code, Claude Desktop або Cursor за дві хвилини, щоб ШІ-асистент міг об’єднувати, стискати й конвертувати PDF на вашому комп’ютері за шляхами до файлів. Локальний сервер передає лише шляхи; хмарна кінцева точка /mcp потребує файл у base64 в аргументах інструмента; PDFX_MCP_ROOT обмежує, які теки локальний сервер може читати й записувати.
З Markdown у PDF і назад: що зберігає конвертація форматів
Markdown↔PDF краще зберігає заголовки, списки й прості таблиці, ніж пікселі. Точні шрифти, пагінація та верстка не переживають круговий шлях без втрат.