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.

«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-ocrперечитує 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
- Якщо переглядач не відкриває набір, спершу Відновлення або Отримати інформацію.
- Розпізнайте набір сканів у Markdown і вибірково перевірте кілька сторінок тексту.
- Окремо стисніть копію PDF, якщо розмір лишається проблемою.
- 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.