PPDF123
Product3 хв читання

Від набору сканів до тексту: спершу OCR, потім стиснення PDF, який ви лишаєте

Набір сканів потребує двох кроків: OCR на PDF123 повертає текст Markdown, а Compress зменшує вихідний PDF перестисненням потоків. Порядок і виводи різні.

By the PDF123 team · Updated 2026-09-28
Від набору сканів до тексту: спершу OCR, потім стиснення PDF, який ви лишаєте

«Набір сканів» — це зазвичай стос зображень сторінок, зшитих в один PDF: важкий на диску, порожній для пошуку й копіювання. Два інструменти, які люди поєднують, не дають на цьому сайті одного чарівного PDF із пошуком. OCR повертає Markdown. Стиснення переписує PDF, який ви все одно лишаєте.

Саме цей поділ і є всім процесом.

Що тут насправді дає OCR

POST /api/v1/misc/ocr-pdf запускає розпізнавання й звантажує файл .md (text/markdown): рідний текст PDF, злитий із результатом OCR зі сторінок-зображень. Він не записує прихований текстовий шар назад у PDF. Якщо ви очікували виділення й пошук усередині того самого файлу, це інша форма продукту (класичний результат у стилі OCRmyPDF). Ця кінцева точка — для тексту, який може прочитати агент чи конвеєр.

Auto проти Force OCR:

  • будь-що, крім ocrType=force-ocr (зокрема позначка порталу «Normal»), відповідає Auto: використовувати наявний текст там, де він є; розпізнавати сторінки лише із зображеннями;
  • force-ocr перечитує кожну сторінку, зокрема ті, де текстовий шар уже є.

У формі порталу немає вибору мови. Залишкові поля у стилі tessdata зі старіших шляхів (languages, виправлення нахилу, прапорці очищення тощо) ігноруються Rust-шляхом ocr_pdf. Про Auto проти Force і про те, чому розпізнавання падає на поганих сканах, див. Як OCR читає відсканований PDF.

OCR не зменшує PDF. Звантажений Markdown — це другий артефакт поряд із початковим набором сканів.

Де місце стисненню

Стиснути (POST /api/v1/misc/compress-pdf) запускає стиснення потоків qpdf: --compress-streams=y, перестиснення flate й згенеровані об’єктні потоки. Воно не вигадує текстового шару, не субсетує шрифти й не обіцяє фотографічного зменшення роздільності. На файлі з великою кількістю сканів воно все одно може зменшити обсяг, щільніше пакуючи потоки; на вже щільному файлі виграш може бути малим. Тло про важелі потоків і зображень: Що насправді відбувається під час стиснення PDF.

Використовуйте стиснення на PDF, який архівуватимете чи надсилатимете. Використовуйте вивід OCR у Markdown, коли потрібні слова. Стиснення спершу не робить OCR точнішим; OCR спершу не робить PDF меншим.

Практичний порядок

  1. Якщо переглядач не відкриває набір, спершу Відновлення або Отримати інформацію.
  2. Розпізнайте набір сканів у Markdown і вибірково перевірте кілька сторінок тексту.
  3. Окремо стисніть копію PDF, якщо розмір лишається проблемою.
  4. Зберігайте недоторканий оригінал, коли цього вимагає політика.

Шифрування файлу все ще потребує дозволеного розблокування перед будь-яким кроком. Таємниці потребують очищення / Auto Redact, а не OCR. Експорт таблиці, що повертає 204 після скану, означає, що текстових колонок не знайдено — спершу OCR у Markdown, потім вирішуйте, чи інструмент для електронних таблиць узагалі доречний (Порожній експорт таблиці (204)).

Виводи, за якими варто стежити

Після типового запуску у вас може бути три артефакти: початковий набір сканів, звантажений OCR-файл .md і (за бажанням) стиснена копія PDF. Позначайте їх. Якщо надіслати лише Markdown, ви втратите зображення сторінок; якщо надіслати лише стиснений PDF, у ньому все ще не буде шару виділення й пошуку з цього шляху OCR. Конвеєри, яким потрібні і слова, і менший PDF, мають зберігати обидва виводи або пізніше повторити один бік.

Force OCR на цифровому наборі зі зламаним текстовим шаром усе ще може бути корисним; Auto на чистому цифровому наборі може взагалі пропустити середовище OCR. Жоден режим не записує текст назад у PDF.

Чим цей процес не є

Набори сканів дають збої, коли команди припускають, що одна кнопка і витягує текст, і зменшує пікселі, як це міг би робити настільний конвеєр OCRmyPDF. Тут текст виходить як Markdown; PDF лишається PDF, якщо ви не стиснете його навмисно. На цьому сайті немає кроку, який повертає «той самий PDF, тепер із пошуком і менший» одним викликом.

Для автоматизації тих самих операцій через HTTP див. Розробникам.

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