SnapOtter/apps/docs/pt-BR/tools/pdf/ocr-pdf.md

description, i18n_output_hash, i18n_source_hash, i18n_provenance

description	i18n_output_hash	i18n_source_hash	i18n_provenance
Extraia texto de PDFs digitalizados localmente com Tesseract integrado ou o tempo de execução opcional de alta precisão RapidOCR.	fb4274f84c52	a19ba25a1ca8	human

PDF OCR

Extraia texto de documentos PDF digitalizados página por página sem enviar o PDF para um serviço externo. A camada fast integrada usa Tesseract. As camadas opcionais balanced e best usam RapidOCR com modelos PP-OCR ONNX fixados.

::: info Compatibilidade do OCR em coreano O OCR rápido oferece suporte a auto, en, de, es, fr, zh e ja, mas não a coreano (ko). Coreano exige o pacote de OCR preciso e balanced ou best. O pacote funciona nos contêineres oficiais Linux amd64 e arm64, inclusive em hosts NVIDIA, onde o OCR continua na CPU. Sistemas não compatíveis recebem um erro explícito e nunca retornam silenciosamente para fast. Coreano com fast ou com o alias legado tesseract é rejeitado antes da fila com FEATURE_INCOMPATIBLE e fast-korean-unsupported. :::

API Endpoint

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

Aceita dados de formulário multipart com um arquivo PDF e um campo JSON settings opcional.

Parameters

Parâmetro	Tipo	Obrigatório	Padrão	Descrição
file	file	Sim	-	Arquivo PDF (multipart), codificado até 512 MiB; um limite inferior de upload do operador ainda se aplica
quality	string	Não	Dinâmico	Nível de qualidade OCR: fast, balanced ou best
language	string	Não	"auto"	Idioma do documento: auto, en, de, fr, es, zh, ja, ko
pages	string	Não	"all"	Seleção de páginas, por exemplo "all", "1-3", "1,3,5"
enhance	boolean	Não	Dependente do nível	Melhore o contraste local antes do reconhecimento. Fast aplica-o diretamente; Balanceado e Melhor retêm a variante somente quando a pontuação calibrada melhora o resultado. O padrão é true para best e false para fast/balanced
engine	string	Não	-	Alias ​​de compatibilidade obsoleta. Use quality. tesseract mapeia para fast; o valor legado paddleocr é mapeado para balanced, mas não carrega PaddlePaddle

Quando quality e engine são omitidos, o SnapOtter escolhe o melhor nível disponível nesta ordem: best, balanced, fast. Para coreano, fast nunca é escolhido; usa-se best, depois balanced, ou é retornado o erro de instalação ou compatibilidade do runtime 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

Retorna 202 Accepted. Acompanhe o progresso via SSE em /api/v1/jobs/{jobId}/progress.

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

Notes

• Formato de entrada aceito: .pdf.
• fast está integrado e adiciona cerca de 25 MiB à imagem oficial. balanced e best requerem o pacote OCR preciso opcional (cerca de 208-234 MiB para download e 409-488 MiB instalados, dependendo do destino).
• O pacote preciso suporta Linux amd64 e arm64 e usa ONNX Runtime em CPU, inclusive em hosts NVIDIA.
• Um nível solicitado explicitamente nunca sofre downgrade silenciosamente. Se balanced ou best não estiver disponível, API retornará 501 com FEATURE_NOT_INSTALLED ou FEATURE_INCOMPATIBLE.
• As páginas PDF são rasterizadas em alta resolução antes de OCR. best executa os modelos PP-OCRv6 médios de maior precisão e pontua variantes de orientação e aprimoramento, melhorando o reconhecimento ao custo da velocidade.
• A configuração de idioma auto permite o reconhecimento em todo o conjunto de scripts suportados; uma dica explícita pode melhorar os resultados para um idioma de documento conhecido.
• Você pode direcionar páginas específicas usando intervalos ("1-3"), listas separadas por vírgula ("1,3,5") ou "all" para todas as páginas.
• Uma solicitação pode processar no máximo 50 páginas. Os dados rasterizados rasterizados são limitados a 512 MiB e a resposta agregada UTF-8 OCR é limitada a 1.000.000 bytes; trabalhos acima do limite falham em vez de retornar texto parcial.
• Para PDFs que já contêm texto selecionável, considere usar a ferramenta PDF to Text, que é mais rápida.