掃描包轉文字:先 OCR,再壓縮你仍保留的 PDF
掃描包要分成兩步:OCR 回傳 Markdown 或可搜尋的 PDF,壓縮則透過重新編碼 PDF 裡的影像與串流來縮小你仍保留的那份檔案。

所謂的「掃描包」,通常是一疊頁面影像釘成的一份 PDF:在磁碟上很重,搜尋與複製卻是空的。人們喜歡把兩個工具串起來用,但這兩個工具做的是不同的事。OCR 回傳文字,預設是 Markdown,也可以是可搜尋的 PDF;壓縮 重寫你仍要保留的那份 PDF。
這個分工本身就是整條工作流程。
這裡的 OCR 實際給你什麼
POST /api/v1/misc/ocr-pdf 執行辨識,預設下載的是一個 .md 檔案(text/markdown):原生 PDF 文字與影像頁的 OCR 結果融合。傳入 outputFormat=pdf 則改為回傳可搜尋的 PDF:每一頁以 300 dpi 渲染,由 Tesseract 辨識,頁面影像連同不可見的文字層一起回傳,每次請求最多 50 頁。Agent 或管線要讀文字時用 Markdown,需要在檔案裡選取與搜尋時用 PDF。
Auto 與 Force OCR(僅 Markdown 輸出):
- 除了
ocrType=force-ocr以外的任何值(包括入口網站上標著「Normal」的那個)都對應 Auto:有現成文字的地方就用它,只對純影像頁做 OCR。 force-ocr則重讀每一頁,包括本來就有文字層的頁面。
入口網站的表單只在選擇可搜尋的 PDF 輸出時顯示語言選擇器(12 種語言),該輸出會讀取 languages(最多四個 Tesseract 語言代碼,以 + 連接,預設 eng)。Markdown 輸出沒有語言設定,舊路徑遺留下來的欄位(deskew、clean 旗標等)兩種輸出都會忽略。Auto 與 Force 的取捨,以及壞掃描為什麼辨識不出來,見 OCR 如何讀取掃描 PDF。
OCR 不會讓 PDF 變小。Markdown 的下載是原掃描包旁邊多出來的第二份產物,可搜尋的 PDF 則是依 300 dpi 頁面影像重建的第二份 PDF,所以可能比原掃描檔更大。
壓縮放在哪一步
壓縮 PDF(POST /api/v1/misc/compress-pdf)執行的是 qpdf 串流壓縮:--compress-streams=y、flate 重壓縮,加上產生物件串流。它還會把能解碼的頁面影像(JPEG,以及一般的 RGB 或灰階)重新編碼為品質 75 的 JPEG,把最長邊超過 2000 px 的影像縮小,只有結果更小時才保留;給了 targetSizeMb 時,會以更低的品質與尺寸重試,最多七檔,直到檔案達標。它不會造出文字層,也不會子集化字型。本來就很緊的檔案,收益可能很小。串流與影像這兩種槓桿的背景,見 壓縮 PDF 時實際發生什麼。
要歸檔或寄送的那份 PDF 用壓縮,需要文字時用 OCR 的 Markdown 輸出。先壓縮不會讓 OCR 更準,還可能更差,因為壓縮會縮小頁面影像;先 OCR 也不會讓 PDF 更小。
一條實用的順序
- 檢視器打不開這個包:先 修復 或 取得資訊。
- 對掃描包做 OCR:要文字就出 Markdown,要一份能搜尋的副本就出可搜尋的 PDF,並抽查幾頁文字。
- 如果體積仍是問題,另外對 PDF 的副本(掃描包,或文字層在一次測試中仍可搜尋的可搜尋 PDF)做壓縮。
- 政策要求時,保留未經處理的原件。
加密檔案在任一步之前仍需經過授權的 解鎖。機密內容需要 清理/自動塗黑,不是 OCR。掃描件匯出表格回傳 204,表示沒有找到文字欄:先 OCR 成可搜尋的 PDF,再決定試算表工具是否用得上(空表格匯出(204))。
該追蹤的幾份輸出
跑完一輪之後,你可能會握有三份產物:原掃描包、一份 .md 的 OCR 下載或可搜尋的 PDF,以及(可選的)壓縮後 PDF 副本。請為它們標上標籤。只寄 Markdown 會丟掉頁面影像;只寄原掃描包的壓縮副本,依然沒有可選可搜的文字層。既要文字又要更小 PDF 的管線,可以先 OCR 成可搜尋的 PDF 再壓縮這份檔案,分兩次請求或用一次 POST /api/v1/pipeline 呼叫都行,也可以把 Markdown 與壓縮後的 PDF 當成兩份輸出存下來。
對文字層已損壞的原生數位包做 Force OCR 仍可能有用;對乾淨的原生數位包做 Auto,則可能完全跳過 OCR 執行環境。兩種模式都不會把文字寫回 PDF;可搜尋的 PDF 輸出對兩者都不理會,由 Tesseract 讀取每一頁。
這條工作流不是什麼
掃描包之所以會翻車,是因為團隊假設一個按鈕既能抽出文字、又能像桌面 OCRmyPDF 管線那樣壓小像素。在這裡,文字預設以 Markdown 的形式離開,PDF 仍是 PDF,除非你刻意去壓縮它。沒有哪一次 OCR 呼叫能回傳「同一份 PDF,現在既可搜尋又更小」:可搜尋的 PDF 是依 300 dpi 頁面影像重建的新檔案,一次測試中 69 KB 的單頁掃描檔變成了 253 KB 的可搜尋 PDF,壓縮後是 118 KB。
同一批 op 的 HTTP 自動化,見 開發者。