PDF OCR

Extrahieren Sie Text aus gescannten Texten PDF Dokumente Seite für Seite, ohne sie zu senden PDF an einen externen Dienst. Der eingebaute fast Tier verwendet Tesseract. Die Wahl balanced Und best Ebenen verwenden RapidOCR mit angeheftet PP-OCR ONNX-Modelle.

Kompatibilität für koreanische OCR

Fast OCR unterstützt auto, en, de, es, fr, zh und ja, aber kein Koreanisch (ko). Koreanisch benötigt das genaue OCR-Paket und balanced oder best. Das Paket läuft in offiziellen Linux-amd64- und arm64-Containern, auch auf NVIDIA-Hosts weiterhin auf der CPU. Nicht unterstützte Systeme erhalten einen eindeutigen Kompatibilitätsfehler und keinen stillen Rückfall auf fast. Koreanisch mit fast oder dem alten Alias tesseract wird vor dem Einreihen mit FEATURE_INCOMPATIBLE und fast-korean-unsupported abgelehnt.

API Endpoint

POST /api/v1/tools/pdf/ocr-pdf

Akzeptiert Multipart-Formulardaten mit einer PDF-Datei und einem optionalen JSON-Feld settings.

Parameters

Parameter	Typ	Erforderlich	Standard	Beschreibung
file	file	Ja	-	PDF-Datei (mehrteilig), bis zu 512 MiB-kodiert; Es gilt weiterhin ein niedrigeres Upload-Limit des Betreibers
quality	string	NEIN	Dynamisch	OCR-Qualitätsstufe: fast, balanced oder best
language	string	Nein	"auto"	Dokumentsprache: auto, en, de, fr, es, zh, ja, ko
pages	string	Nein	"all"	Seitenauswahl, z. B. "all", "1-3", "1,3,5"
enhance	boolean	NEIN	Tierabhängig	Verbessern Sie den lokalen Kontrast vor der Erkennung. Fast wendet es direkt an; „Balanced“ und „Best“ behalten die Variante nur dann bei, wenn die kalibrierte Bewertung das Ergebnis verbessert. Standardmäßig ist true für best und false für fast/balanced
engine	string	NEIN	-	Veralteter Kompatibilitätsalias. Verwenden Sie stattdessen quality. tesseract wird auf fast abgebildet; Der alte Wert paddleocr wird balanced zugeordnet, lädt PaddlePaddle jedoch nicht

Wenn quality und engine fehlen, wählt SnapOtter die höchste verfügbare Stufe in dieser Reihenfolge: best, balanced, fast. Für Koreanisch wird fast nie gewählt; es wird best, dann balanced verwendet oder ein Installations- bzw. Kompatibilitätsfehler der genauen Laufzeit zurückgegeben.

Example Request

curl -X POST http://localhost:1349/api/v1/tools/pdf/ocr-pdf \
  -H "Authorization: Bearer si_your-api-key" \
  -F "file=@scanned.pdf" \
  -F 'settings={"quality": "best", "language": "en", "pages": "1-5", "enhance": true}'

Example Response

Gibt 202 Accepted zurück. Verfolgen Sie den Fortschritt über SSE unter /api/v1/jobs/{jobId}/progress.

{
  "jobId": "a1b2c3d4-e5f6-7890-abcd-ef1234567890",
  "async": true
}

Notes

• Akzeptiertes Eingabeformat: .pdf.
• fast ist integriert und fügt dem offiziellen Bild etwa 25 MiB hinzu. balanced und best erfordern das optionale genaue OCR-Paket (ca. 208–234 MiB zum Herunterladen und 409–488 MiB installiert, je nach Ziel). – Das genaue Paket unterstützt Linux amd64 und arm64 und verwendet ONNX Runtime auf CPU, einschließlich auf NVIDIA-Hosts. – Eine explizit angeforderte Stufe wird niemals stillschweigend herabgestuft. Wenn balanced oder best nicht verfügbar ist, gibt API 501 mit FEATURE_NOT_INSTALLED oder FEATURE_INCOMPATIBLE zurück.
• PDF-Seiten werden vor OCR mit hoher Auflösung gerastert. best führt die mittelgenauen PP-OCRv6-Modelle mit höherer Genauigkeit aus und bewertet Orientierungs- und Verbesserungsvarianten, wodurch die Erkennung auf Kosten der Geschwindigkeit verbessert wird. – Die Spracheinstellung auto ermöglicht die Erkennung im gesamten unterstützten Skriptsatz; Ein expliziter Hinweis kann die Ergebnisse für eine bekannte Dokumentsprache verbessern.
• Sie können bestimmte Seiten über Bereiche ("1-3"), kommagetrennte Listen ("1,3,5") oder "all" für jede Seite gezielt ansprechen.
• Eine Anfrage kann maximal 50 Seiten verarbeiten. Rasterisierte Scratch-Daten sind auf 512 MiB und die aggregierte UTF-8 OCR-Antwort auf 1.000.000 Bytes begrenzt. Überschreitungsaufträge schlagen fehl, anstatt einen Teiltext zurückzugeben.
• Für PDFs, die bereits auswählbaren Text enthalten, sollten Sie stattdessen das schnellere Tool PDF zu Text verwenden.