OCR PDF

Estrai il testo dai documenti PDF scansionati pagina per pagina senza inviare PDF a un servizio esterno. Il livello fast integrato utilizza Tesseract. I livelli opzionali balanced e best utilizzano RapidOCR con modelli PP-OCR ONNX bloccati.

Compatibilità OCR per il coreano

OCR veloce supporta auto, en, de, es, fr, zh e ja, ma non il coreano (ko). Il coreano richiede il pacchetto OCR accurato e balanced o best. Il pacchetto funziona nei container Linux amd64 e arm64 ufficiali, inclusi gli host NVIDIA, dove l’OCR resta sulla CPU. I sistemi non supportati ricevono un errore di compatibilità esplicito e non passano mai silenziosamente a fast. Il coreano con fast o con l’alias legacy tesseract viene rifiutato prima dell’accodamento con FEATURE_INCOMPATIBLE e fast-korean-unsupported.

API Endpoint

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

Accetta dati di form multipart con un file PDF e un campo JSON opzionale settings.

Parameters

Parameter	Type	Required	Default	Description
file	file	SÌ	-	File PDF (multiparte), fino a 512 MiB codificati; si applica ancora un limite di caricamento da parte dell'operatore inferiore
quality	string	NO	Dinamico	Livello di qualità OCR: fast, balanced o best
language	string	No	"auto"	Lingua del documento: auto, en, de, fr, es, zh, ja, ko
pages	string	No	"all"	Selezione delle pagine, es. "all", "1-3", "1,3,5"
enhance	boolean	NO	Dipendente dal livello	Migliora il contrasto locale prima del riconoscimento. Fast lo applica direttamente; Bilanciato e Migliore mantengono la variante solo quando il punteggio calibrato migliora il risultato. Il valore predefinito è true per best e false per fast/balanced
engine	string	NO	-	Alias ​​di compatibilità deprecato. Utilizzare invece quality. tesseract è mappato su fast; il valore paddleocr legacy viene mappato su balanced ma non carica PaddlePaddle

Quando quality e engine sono omessi, SnapOtter sceglie il livello migliore disponibile nell’ordine best, balanced, fast. Per il coreano non sceglie mai fast: usa best, poi balanced, oppure restituisce l’errore di installazione o compatibilità del runtime accurato.

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

Restituisce 202 Accepted. Monitora l'avanzamento tramite SSE su /api/v1/jobs/{jobId}/progress.

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

Notes

• Formato di input accettato: .pdf.
• fast è integrato e aggiunge circa 25 MiB all'immagine ufficiale. balanced e best richiedono il pacchetto OCR accurato opzionale (circa 208-234 MiB da scaricare e 409-488 MiB installati, a seconda dell'obiettivo).
• Il pacchetto accurato supporta Linux amd64 e arm64 e utilizza ONNX Runtime su CPU, inclusi gli host NVIDIA.
• Un livello richiesto esplicitamente non viene mai declassato silenziosamente. Se balanced o best non è disponibile, API restituisce 501 con FEATURE_NOT_INSTALLED o FEATURE_INCOMPATIBLE.
• Le pagine PDF vengono rasterizzate ad alta risoluzione prima di OCR. best esegue i modelli PP-OCRv6 medi ad alta precisione e valuta le varianti di orientamento e miglioramento, migliorando il riconoscimento a scapito della velocità.
• L'impostazione della lingua auto consente il riconoscimento attraverso il set di script supportato; un suggerimento esplicito può migliorare i risultati per una lingua di documento conosciuta.
• Puoi selezionare pagine specifiche usando intervalli ("1-3"), elenchi separati da virgole ("1,3,5"), o "all" per ogni pagina.
• Una richiesta può elaborare un massimo di 50 pagine. I dati scratch rasterizzati sono limitati a 512 MiB e la risposta aggregata UTF-8 OCR è limitata a 1.000.000 di byte; i lavori con limite eccessivo falliscono anziché restituire testo parziale.
• Per i PDF che contengono già testo selezionabile, considera l'uso dello strumento più veloce PDF in testo.