Product4 phút đọc

Gói scan thành chữ: OCR rồi Compress PDF bạn vẫn giữ

Gói scan cần hai bước: OCR trả Markdown cho agent đọc, còn Compress thu nhỏ PDF gốc bằng nén lại stream; không lần gọi nào cho ra PDF vừa tìm được vừa nhỏ hơn.

By the PDF123 team · Updated 2026-09-28
Gói scan thành chữ: OCR rồi Compress PDF bạn vẫn giữ

“Gói scan” thường là một chồng ảnh trang được ghim thành một PDF: nặng trên đĩa, trống trơn cho việc tìm và sao chép. Hai công cụ mà người ta hay nối với nhau không tạo ra một PDF tìm kiếm được kỳ diệu trên site này. OCR trả về Markdown. Compress viết lại chính PDF bạn vẫn giữ.

Sự tách biệt đó chính là toàn bộ quy trình.

OCR thực sự cho bạn gì ở đây

POST /api/v1/misc/ocr-pdf chạy nhận dạng rồi tải về một tệp .md (text/markdown): chữ có sẵn trong PDF hợp với kết quả OCR của các trang ảnh. Endpoint không ghi một lớp chữ ẩn trở lại PDF. Nếu bạn mong chọn và tìm ngay trong cùng tệp, đó là một dạng sản phẩm khác (đầu ra kiểu OCRmyPDF cổ điển). Endpoint này dành cho chữ mà agent hoặc pipeline đọc được.

Auto và Force OCR:

  • Mọi giá trị khác ocrType=force-ocr (kể cả nhãn “Normal” trên portal) đều ánh xạ sang Auto: dùng chữ sẵn có khi có; OCR những trang chỉ có ảnh.
  • force-ocr đọc lại từng trang, kể cả trang đã có lớp chữ.

Form trên portal không có chỗ chọn ngôn ngữ. Những trường kiểu tessdata còn sót lại từ các đường cũ (languages, deskew, cờ clean và tương tự) bị đường Rust ocr_pdf bỏ qua. Auto và Force, cùng lý do nhận dạng thất bại trên bản scan kém, được nói trong Cách OCR đọc một PDF scan.

OCR không làm PDF nhỏ đi. Bản Markdown tải về là một tạo tác thứ hai, nằm cạnh gói scan gốc.

Compress nằm ở đâu

Compress (POST /api/v1/misc/compress-pdf) chạy nén stream bằng qpdf: --compress-streams=y, nén lại flate và tạo object stream. Nó không tạo ra lớp chữ, không subset font và không hứa giảm mẫu ảnh. Trên một tệp nặng ảnh scan, công cụ vẫn có thể giảm dung lượng nhờ đóng gói stream chặt hơn; trên tệp vốn đã chặt, mức giảm có thể nhỏ. Bối cảnh về đòn bẩy stream và ảnh: Điều gì thực sự xảy ra khi bạn nén một PDF.

Hãy dùng Compress cho PDF bạn sẽ lưu trữ hoặc gửi email. Dùng kết quả OCR Markdown khi bạn cần chữ. Nén trước không làm OCR chính xác hơn; OCR trước không làm PDF nhỏ hơn.

Một thứ tự thực tế

  1. Nếu trình xem không mở được gói, Repair hoặc Get Info trước.
  2. OCR gói scan thành Markdown rồi kiểm tra vài trang chữ.
  3. Tách riêng, Compress một bản sao của PDF nếu kích thước vẫn là vấn đề.
  4. Giữ nguyên bản gốc chưa đụng tới khi chính sách yêu cầu.

Một tệp được mã hóa vẫn cần Unlock hợp lệ trước cả hai bước. Thông tin bí mật cần Sanitize / Auto Redact, không phải OCR. Xuất bảng trả về 204 sau khi scan nghĩa là không tìm thấy cột chữ nào; hãy OCR sang Markdown trước, rồi mới quyết định công cụ bảng tính có còn phù hợp (Xuất bảng rỗng (204)).

Những đầu ra bạn nên theo dõi

Sau một lần chạy thông thường, bạn có thể giữ ba tạo tác: gói scan gốc, bản .md tải từ OCR, và (tùy chọn) một bản PDF đã nén. Hãy dán nhãn cho chúng. Gửi email chỉ có Markdown là mất ảnh trang; gửi email chỉ có PDF đã nén vẫn không có lớp chọn và tìm từ đường OCR này. Pipeline cần cả chữ lẫn một PDF nhỏ hơn phải lưu cả hai đầu ra, hoặc chạy lại một phía về sau.

Force OCR trên một gói gốc số có lớp chữ hỏng vẫn có thể hữu ích; Auto trên gói gốc số sạch có thể bỏ qua cả bước chạy OCR. Không chế độ nào ghi chữ trở lại PDF.

Quy trình này không phải là gì

Gói scan thất bại khi đội ngũ giả định một nút bấm vừa trích chữ vừa thu nhỏ pixel theo kiểu pipeline OCRmyPDF trên desktop. Ở đây chữ rời đi dưới dạng Markdown; PDF vẫn là PDF trừ khi bạn chủ động Compress nó. Không có bước nào trên site này trả về “đúng PDF đó, giờ tìm kiếm được và nhỏ hơn” chỉ từ một lần gọi.

Muốn tự động hóa những op tương tự qua HTTP, xem Nhà phát triển.

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