PDF OCR

PDF を外部サービスに送信せずに、スキャンした PDF ドキュメントからページごとにテキストを抽出します。組み込みの fast 層は、Tesseract を使用します。オプションの balanced 層と best 層は、固定された PP-OCR ONNX モデルで RapidOCR を使用します。

韓国語 OCR の互換性

高速 OCR は auto、en、de、es、fr、zh、ja に対応しますが、韓国語 (ko) には対応しません。韓国語には高精度 OCR パックと balanced または best が必要です。パックは公式 Linux amd64/arm64 コンテナで動作し、NVIDIA ホストでも OCR は CPU 上で実行されます。非対応システムでは明示的な互換性エラーを返し、暗黙に fast へ切り替えません。韓国語で fast または旧 tesseract エイリアスを指定すると、キュー投入前に FEATURE_INCOMPATIBLE と fast-korean-unsupported で拒否されます。

API Endpoint

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

PDF ファイルと、任意の JSON settings フィールドを含む multipart フォームデータを受け付けます。

Parameters

Parameter	Type	Required	Default	Description
file	file	はい	-	PDF ファイル (マルチパート)、最大 512 の MiB エンコード。オペレータのアップロード制限の下限は引き続き適用されます
quality	string	いいえ	動的	OCR 品質レベル: fast、balanced、または best
language	string	No	"auto"	ドキュメントの言語: auto、en、de、fr、es、zh、ja、ko
pages	string	No	"all"	ページ選択。例: "all"、"1-3"、"1,3,5"
enhance	boolean	いいえ	ティアに依存	認識前に局所的なコントラストを改善します。高速ではそれを直接適用します。 Balanced および Best は、調整されたスコアによって結果が改善された場合にのみバリアントを保持します。デフォルトは、best の場合は true、fast/balanced の場合は false です。
engine	string	いいえ	-	非推奨の互換性エイリアス。代わりに quality を使用してください。 tesseract は fast にマップされます。従来の paddleocr 値は balanced にマップされますが、PaddlePaddle はロードされません

quality と engine を省略すると、SnapOtter は best、balanced、fast の順で利用可能な最上位の層を選びます。韓国語では fast を選択せず、best、次に balanced を使用し、どちらもなければ高精度ランタイムのインストールまたは互換性エラーを返します。

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

202 Accepted を返します。進捗は /api/v1/jobs/{jobId}/progress の SSE で追跡できます。

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

Notes

• 受け付ける入力形式: .pdf。
• fast が組み込まれており、公式イメージに約 25 個の MiB を追加します。 balanced および best には、オプションの正確な OCR パックが必要です (ターゲットに応じて、約 208 ～ 234 の MiB をダウンロードし、409 ～ 488 の MiB をインストールします)。
• アキュレート パックは、Linux amd64 および arm64 をサポートし、NVIDIA ホストを含​​む CPU 上で ONNX Runtime を使用します。
• 明示的に要求された層がサイレントにダウングレードされることはありません。 balanced または best が使用できない場合、API は、FEATURE_NOT_INSTALLED または FEATURE_INCOMPATIBLE を使用して 501 を返します。
• PDF ページは、OCR の前に高解像度でラスタライズされます。 best は、より高精度の中型 PP-OCRv6 モデルを実行し、方向と拡張のバリアントをスコア付けして、速度を犠牲にして認識を向上させます。
• auto 言語設定により、サポートされているスクリプト セット全体での認識が可能になります。明示的なヒントにより、既知のドキュメント言語の結果を向上させることができます。
• 範囲指定（"1-3"）、カンマ区切りのリスト（"1,3,5"）、または全ページを対象とする "all" を使って特定のページを対象にできます。
• リクエストは最大 50 ページを処理できます。ラスター化されたスクラッチ データは 512 MiB に制限され、集計 UTF-8 OCR 応答は 1,000,000 バイトに制限されます。制限を超えるジョブは部分的なテキストを返さずに失敗します。
• すでに選択可能なテキストを含む PDF については、代わりに高速な PDF to Text ツールの使用を検討してください。