OCR / Text Extraction

किसी बाहरी सेवा को छवि भेजे बिना छवियों से पाठ निकालें। अंतर्निर्मित fast टियर Tesseract का उपयोग करता है। वैकल्पिक balanced और best टियर पिन किए गए PP-OCR ONNX मॉडल के साथ RapidOCR का उपयोग करते हैं।

कोरियाई OCR संगतता

तेज़ OCR auto, en, de, es, fr, zh और ja का समर्थन करता है, लेकिन कोरियाई (ko) का नहीं। कोरियाई के लिए सटीक OCR पैक और balanced या best आवश्यक है। पैक आधिकारिक Linux amd64 और arm64 कंटेनरों पर चलता है; NVIDIA होस्ट पर भी OCR CPU पर ही चलता है। असमर्थित सिस्टम स्पष्ट संगतता त्रुटि लौटाते हैं और चुपचाप fast पर वापस नहीं जाते। कोरियाई के साथ fast या पुराने tesseract नाम को कतार में डालने से पहले FEATURE_INCOMPATIBLE और fast-korean-unsupported के साथ अस्वीकार किया जाता है।

API Endpoint

POST /api/v1/tools/image/ocr

प्रसंस्करण: OCR हमेशा असिंक्रोनस रूप से चलता है। सत्यापन और कतार में जोड़े जाने के बाद, एंडपॉइंट तुरंत jobId के साथ 202 Accepted लौटाता है। कार्य की SSE प्रगति स्ट्रीम को अंतिम complete या failed इवेंट तक फ़ॉलो करें; सफल इवेंट के result में OCR फ़ील्ड होते हैं।

सटीक OCR पैक: वैकल्पिक ocr रनटाइम (लक्ष्य के आधार पर डाउनलोड करने के लिए लगभग 208-234 MiB और 409-488 MiB इंस्टॉल किया गया)। fast को इस पैक की आवश्यकता नहीं है; इंस्टॉलर हस्ताक्षरित सूचकांक द्वारा बंधे सटीक आकारों की पुष्टि करता है।

Parameters

Parameter	Type	Required	Default	Description
file	file	हाँ	-	छवि फ़ाइल (मल्टीपार्ट), 512 MiB तक एन्कोडेड और 40 मेगापिक्सेल डिकोडेड; कम ऑपरेटर अपलोड सीमा अभी भी लागू है
quality	string	नहीं	गतिशील	गुणवत्ता स्तर: fast (Tesseract), balanced (छोटे PP-OCRv6 मॉडल के साथ RapidOCR), या best (कैलिब्रेटेड वेरिएंट स्कोरिंग के साथ उच्च सटीकता वाले मध्यम PP-OCRv6 मॉडल)
language	string	No	"auto"	भाषा संकेत: auto, en, de, fr, es, zh, ja, ko
enhance	boolean	नहीं	स्तर पर निर्भर	पहचान से पहले स्थानीय कंट्रास्ट में सुधार करें। फास्ट इसे सीधे लागू करता है; बैलेंस्ड और बेस्ट वेरिएंट को तभी बरकरार रखते हैं जब कैलिब्रेटेड स्कोरिंग से परिणाम में सुधार होता है। best के लिए डिफ़ॉल्ट true और fast/balanced के लिए false
engine	string	नहीं	-	अस्वीकृत अनुकूलता उपनाम. इसके बजाय quality का उपयोग करें। tesseract से fast मानचित्र; लीगेसी paddleocr मान balanced पर मैप होता है लेकिन PaddlePaddle लोड नहीं होता है

जब quality और engine नहीं दिए जाते, SnapOtter इस क्रम में सर्वोत्तम उपलब्ध टियर चुनता है: best, balanced, fast। कोरियाई के लिए fast कभी नहीं चुना जाता; best, फिर balanced उपयोग होता है, अन्यथा सटीक रनटाइम का इंस्टॉलेशन या संगतता त्रुटि लौटती है।

Example Request

curl -X POST http://localhost:1349/api/v1/tools/image/ocr \
  -F "file=@document.png" \
  -F 'settings={"quality":"best","language":"en","enhance":true}'

स्वीकृत प्रतिक्रिया (202)

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

प्रगति और परिणाम (SSE)

202 प्रतिक्रिया से मिले jobId (या दिए गए clientJobId) के साथ GET /api/v1/jobs/{jobId}/progress से जुड़ें। अंतिम complete या failed इवेंट तक स्ट्रीम खुली रखें। सफल अंतिम फ़्रेम के result में OCR आउटपुट होता है:

{
  "jobId": "a1b2c3d4-e5f6-7890-abcd-ef1234567890",
  "type": "single",
  "phase": "complete",
  "stage": "complete",
  "percent": 100,
  "result": {
    "jobId": "a1b2c3d4-e5f6-7890-abcd-ef1234567890",
    "downloadUrl": "/api/v1/download/a1b2c3d4-e5f6-7890-abcd-ef1234567890/document_ocr.txt",
    "originalSize": 12345,
    "processedSize": 47,
    "text": "Extracted text content from the image...",
    "engine": "rapidocr-onnx",
    "requestedQuality": "best",
    "actualQuality": "best",
    "device": "cpu",
    "provider": "CPUExecutionProvider",
    "degraded": false,
    "warnings": [],
    "runtimeVersion": "2.2.0",
    "modelVersion": "PP-OCRv6-best-v1-medium"
  }
}

प्रसंस्करण विफलताएँ अंतिम failed इवेंट के error फ़ील्ड में आती हैं; कतार में जोड़े जाने के बाद वे HTTP 422 के रूप में नहीं लौटतीं।

Notes

• fast हमेशा समर्थित SnapOtter छवियों में उपलब्ध है। balanced और best को वैकल्पिक सटीक OCR पैक की आवश्यकता होती है।
• बिल्ट-इन Tesseract आधिकारिक छवि में लगभग 25 MiB जोड़ता है। सटीक पैक /data/ai में संग्रहीत है, छवि में बेक नहीं किया गया है।
• सटीक पैक आधिकारिक Linux amd64 और arm64 कंटेनरों के लिए प्रकाशित किया गया है। यह जानबूझकर NVIDIA होस्ट सहित ONNX Runtime के CPU प्रदाता का उपयोग करता है, इसलिए यह CUDA लाइब्रेरी या GPU संगतता पर निर्भर नहीं करता है। स्रोत और पूर्वनिर्मित bare-metal इंस्टॉल फास्ट OCR का उपयोग करते हैं जब तक कि वे अपना स्वयं का संगत रनटाइम प्रदान नहीं करते हैं।
• सफल अंतिम result में text के अंदर निकाला गया टेक्स्ट और downloadUrl में डाउनलोड करने योग्य .txt आर्टिफैक्ट, दोनों होते हैं।
• SnapOtter स्पष्ट रूप से अनुरोधित स्तर का सम्मान करता है। यदि balanced या best अनुपलब्ध है, तो API FEATURE_NOT_INSTALLED या FEATURE_INCOMPATIBLE के साथ 501 लौटाता है; यह कभी भी चुपचाप अनुरोध को दूसरे स्तर पर डाउनग्रेड नहीं करता है।
• एक सफल खाली परिणाम एक खाली परिणाम ही रहता है। रनटाइम विफलताएँ निम्न-गुणवत्ता वाले इंजन के साथ पुनः प्रयास करने के बजाय एक त्रुटि लौटाती हैं।
• सफल अंतिम result, requestedQuality और actualQuality के साथ इंजन, डिवाइस, प्रदाता, रनटाइम और मॉडल संस्करण तथा सभी चेतावनियों की रिपोर्ट करता है।
• स्वचालित डिकोडिंग के माध्यम से HEIC/HEIF, RAW, TGA, PSD, EXR और HDR इनपुट प्रारूपों का समर्थन करता है।
• बड़े आकार के एन्कोडेड इनपुट 413 लौटाते हैं। 40 मेगापिक्सेल से अधिक की छवियाँ और उनकी निर्धारित आउटपुट सीमा से अधिक OCR प्रतिक्रियाओं को आंशिक रूप से संसाधित करने के बजाय अस्वीकार कर दिया जाता है।