PDF OCR

แยกข้อความจากเอกสาร PDF ที่สแกนทีละหน้าโดยไม่ต้องส่ง PDF ไปยังบริการภายนอก ระดับ fast ในตัวใช้ Tesseract ระดับ balanced และ best ที่เป็นอุปกรณ์เสริมใช้ RapidOCR กับรุ่น PP-OCR ONNX ที่ปักหมุดไว้

ความเข้ากันได้ของ OCR ภาษาเกาหลี

OCR แบบเร็วรองรับ auto, en, de, es, fr, zh และ ja แต่ไม่รองรับภาษาเกาหลี (ko) ภาษาเกาหลีต้องใช้แพ็ก OCR แบบแม่นยำและ balanced หรือ best แพ็กทำงานบนคอนเทนเนอร์ Linux amd64 และ arm64 อย่างเป็นทางการ รวมถึงโฮสต์ NVIDIA ซึ่ง OCR ยังคงทำงานบน CPU ระบบที่ไม่รองรับจะส่งคืนข้อผิดพลาดความเข้ากันได้อย่างชัดเจนและไม่ย้อนกลับไปใช้ fast โดยเงียบ ๆ ภาษาเกาหลีร่วมกับ fast หรือนามแฝงเดิม tesseract จะถูกปฏิเสธก่อนเข้าคิวด้วย FEATURE_INCOMPATIBLE และ fast-korean-unsupported

API Endpoint

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

รับข้อมูลแบบ multipart form data พร้อมไฟล์ PDF และฟิลด์ JSON settings ที่ไม่บังคับ

Parameters

Parameter	Type	Required	Default	Description
file	file	ใช่	-	ไฟล์ PDF (หลายส่วน) เข้ารหัสสูงสุด 512 MiB; ยังคงใช้ขีดจำกัดการอัปโหลดที่ต่ำกว่าของโอเปอเรเตอร์อยู่
quality	string	เลขที่	พลวัต	ระดับคุณภาพ OCR: fast, balanced หรือ best
language	string	No	"auto"	ภาษาของเอกสาร: auto, en, de, fr, es, zh, ja, ko
pages	string	No	"all"	การเลือกหน้า เช่น "all", "1-3", "1,3,5"
enhance	boolean	เลขที่	ขึ้นอยู่กับระดับ	ปรับปรุงความคมชัดในท้องถิ่นก่อนที่จะจดจำ ใช้งานได้อย่างรวดเร็วโดยตรง สมดุลและดีที่สุดจะคงตัวแปรไว้เฉพาะเมื่อการให้คะแนนที่ปรับเทียบแล้วช่วยปรับปรุงผลลัพธ์เท่านั้น ค่าเริ่มต้นเป็น true สำหรับ best และ false สำหรับ fast/balanced
engine	string	เลขที่	-	นามแฝงความเข้ากันได้ที่เลิกใช้แล้ว ใช้ quality แทน tesseract แมปกับ fast; ค่า paddleocr ดั้งเดิมแมปกับ balanced แต่ไม่โหลด PaddlePaddle

เมื่อไม่ระบุ quality และ engine SnapOtter จะเลือกระดับที่ดีที่สุดที่ใช้ได้ตามลำดับ best, balanced, fast สำหรับภาษาเกาหลีจะไม่เลือก fast แต่จะใช้ best แล้วจึง balanced หรือส่งคืนข้อผิดพลาดการติดตั้งหรือความเข้ากันได้ของรันไทม์แบบแม่นยำ

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

คืนค่า 202 Accepted ติดตามความคืบหน้าผ่าน SSE ที่ /api/v1/jobs/{jobId}/progress

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

Notes

• รูปแบบอินพุตที่รองรับ: .pdf
• fast ถูกสร้างขึ้นและเพิ่มประมาณ 25 MiB ให้กับอิมเมจอย่างเป็นทางการ balanced และ best ต้องการแพ็กเสริม OCR ที่แม่นยำ (ดาวน์โหลดประมาณ 208-234 MiB และติดตั้ง 409-488 MiB ขึ้นอยู่กับเป้าหมาย)
• แพ็กที่แม่นยำรองรับ Linux amd64 และ arm64 และใช้ ONNX Runtime บน CPU รวมถึงบนโฮสต์ NVIDIA
• ระดับที่ร้องขออย่างชัดเจนจะไม่ถูกลดระดับอย่างเงียบ ๆ ถ้า balanced หรือ best ไม่พร้อมใช้งาน API จะส่งกลับ 501 ด้วย FEATURE_NOT_INSTALLED หรือ FEATURE_INCOMPATIBLE
• หน้า PDF จะถูกแรสเตอร์ที่ความละเอียดสูงก่อน OCR best ใช้งานโมเดล PP-OCRv6 สื่อกลางที่มีความแม่นยำสูงกว่า และให้คะแนนการวางแนวและตัวแปรการปรับปรุง ปรับปรุงการจดจำโดยแลกกับความเร็ว
• การตั้งค่าภาษา auto ช่วยให้สามารถจดจำชุดสคริปต์ที่รองรับได้ คำแนะนำที่ชัดเจนสามารถปรับปรุงผลลัพธ์สำหรับภาษาเอกสารที่รู้จักได้
• คุณสามารถเจาะจงหน้าเฉพาะได้โดยใช้ช่วง ("1-3"), รายการคั่นด้วยจุลภาค ("1,3,5") หรือ "all" สำหรับทุกหน้า
• คำขอสามารถดำเนินการได้สูงสุด 50 หน้า ข้อมูลรอยขีดข่วนแบบแรสเตอร์ถูกจำกัดไว้ที่ 512 MiB และการตอบสนอง UTF-8 OCR รวมถูกจำกัดไว้ที่ 1,000,000 ไบต์ งานที่เกินขีดจำกัดล้มเหลวแทนที่จะส่งคืนข้อความบางส่วน
• สำหรับ PDF ที่มีข้อความที่เลือกได้อยู่แล้ว ให้พิจารณาใช้เครื่องมือ PDF to Text ที่เร็วกว่าแทน