OCR de PDF

Extraiga texto de documentos PDF escaneados página por página sin enviar el PDF a un servicio externo. El nivel fast integrado utiliza Tesseract. Los niveles opcionales balanced y best utilizan RapidOCR con modelos PP-OCR ONNX con clavijas.

Compatibilidad del OCR coreano

OCR rápido admite auto, en, de, es, fr, zh y ja, pero no coreano (ko). El coreano requiere el paquete OCR preciso y balanced o best. El paquete funciona en los contenedores oficiales Linux amd64 y arm64, incluidos hosts NVIDIA, donde el OCR sigue usando la CPU. Los sistemas no compatibles reciben un error explícito y nunca vuelven silenciosamente a fast. Coreano con fast o el alias heredado tesseract se rechaza antes de encolarse con FEATURE_INCOMPATIBLE y fast-korean-unsupported.

API Endpoint

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

Acepta datos de formulario multipart con un archivo PDF y un campo JSON settings opcional.

Parameters

Parámetro	Tipo	Obligatorio	Predeterminado	Descripción
file	file	Sí	-	Archivo PDF (multiparte), hasta 512 MiB codificados; todavía se aplica un límite de carga de operador más bajo
quality	string	No	Dinámica	Nivel de calidad OCR: fast, balanced o best
language	string	No	"auto"	Idioma del documento: auto, en, de, fr, es, zh, ja, ko
pages	string	No	"all"	Selección de páginas, p. ej. "all", "1-3", "1,3,5"
enhance	boolean	No	Dependiente del nivel	Mejorar el contraste local antes del reconocimiento. Fast lo aplica directamente; Equilibrado y Mejor conservan la variante solo cuando la puntuación calibrada mejora el resultado. El valor predeterminado es true para best y false para fast/balanced.
engine	string	No	-	Alias ​​de compatibilidad obsoleto. Utilice quality en su lugar. tesseract se asigna a fast; el valor paddleocr heredado se asigna a balanced pero no carga PaddlePaddle

Si se omiten quality y engine, SnapOtter elige el mejor nivel disponible en este orden: best, balanced, fast. Para coreano nunca elige fast: usa best, luego balanced, o devuelve el error de instalación o compatibilidad del entorno preciso.

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

Devuelve 202 Accepted. Sigue el progreso mediante SSE en /api/v1/jobs/{jobId}/progress.

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

Notes

• Formato de entrada aceptado: .pdf.
• fast está integrado y agrega alrededor de 25 MiB a la imagen oficial. balanced y best requieren el paquete OCR preciso opcional (alrededor de 208-234 MiB para descargar y 409-488 MiB instalado, según el objetivo).
• El paquete preciso admite Linux amd64 y arm64 y utiliza ONNX Runtime en CPU, incluidos los hosts NVIDIA.
• Un nivel solicitado explícitamente nunca se degrada silenciosamente. Si balanced o best no está disponible, API devuelve 501 con FEATURE_NOT_INSTALLED o FEATURE_INCOMPATIBLE.
• Las páginas PDF se rasterizan en alta resolución antes de OCR. best ejecuta los modelos PP-OCRv6 medios de mayor precisión y puntúa variantes de orientación y mejora, mejorando el reconocimiento a costa de la velocidad.
• La configuración de idioma auto permite el reconocimiento en todo el conjunto de scripts admitidos; una sugerencia explícita puede mejorar los resultados de un lenguaje de documento conocido.
• Puedes seleccionar páginas concretas mediante rangos ("1-3"), listas separadas por comas ("1,3,5") o "all" para todas las páginas.
• Una solicitud puede procesar como máximo 50 páginas. Los datos borrador rasterizados tienen un límite de 512 MiB y la respuesta UTF-8 OCR agregada tiene un límite de 1.000.000 de bytes; los trabajos que exceden el límite fallan en lugar de devolver texto parcial.
• Para los PDF que ya contienen texto seleccionable, considera usar la herramienta más rápida PDF a texto en su lugar.