SnapOtter/apps/docs/fr/tools/pdf/ocr-pdf.md

description, i18n_output_hash, i18n_source_hash, i18n_provenance

description	i18n_output_hash	i18n_source_hash	i18n_provenance
Extrayez localement le texte des PDF numérisés avec Tesseract intégré ou le runtime RapidOCR haute précision en option.	f66b6b57bee4	a19ba25a1ca8	human

OCR de PDF

Extrayez le texte des documents PDF numérisés page par page sans envoyer le PDF à un service externe. Le niveau fast intégré utilise Tesseract. Les niveaux optionnels balanced et best utilisent RapidOCR avec les modèles PP-OCR ONNX épinglés.

::: info Compatibilité de l’OCR coréen L’OCR rapide prend en charge auto, en, de, es, fr, zh et ja, mais pas le coréen (ko). Le coréen nécessite le pack OCR précis et balanced ou best. Le pack fonctionne dans les conteneurs Linux amd64 et arm64 officiels, y compris sur les hôtes NVIDIA où l’OCR reste exécuté sur le CPU. Un système non pris en charge reçoit une erreur de compatibilité explicite, sans repli silencieux vers fast. Le coréen avec fast ou l’alias historique tesseract est refusé avant la mise en file avec FEATURE_INCOMPATIBLE et fast-korean-unsupported. :::

Point de terminaison de l'API

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

Accepte des données de formulaire multipart avec un fichier PDF et un champ settings facultatif au format JSON.

Paramètres

Paramètre	Type	Requis	Par défaut	Description
file	file	Oui	-	Fichier PDF (en plusieurs parties), jusqu'à 512 MiB codés ; une limite inférieure de téléchargement par l'opérateur s'applique toujours
quality	string	Non	Dynamique	Niveau de qualité OCR : fast, balanced ou best
language	string	Non	"auto"	Langue du document : auto, en, de, fr, es, zh, ja, ko
pages	string	Non	"all"	Sélection de pages, par exemple "all", "1-3", "1,3,5"
enhance	boolean	Non	Dépend du niveau	Améliorer le contraste local avant la reconnaissance. Fast l'applique directement ; Equilibré et Meilleur conservent la variante uniquement lorsque la notation calibrée améliore le résultat. La valeur par défaut est true pour best et false pour fast/balanced
engine	string	Non	-	Alias ​​de compatibilité obsolète. Utilisez plutôt quality. tesseract correspond à fast ; la valeur paddleocr héritée est mappée à balanced mais ne charge pas PaddlePaddle

Lorsque quality et engine sont omis, SnapOtter choisit le meilleur niveau disponible dans cet ordre : best, balanced, fast. Pour le coréen, fast n’est jamais choisi : best, puis balanced sont utilisés, sinon une erreur d’installation ou de compatibilité du moteur précis est renvoyée.

Exemple de requête

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}'

Exemple de réponse

Renvoie 202 Accepted. Suivez la progression via SSE à /api/v1/jobs/{jobId}/progress.

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

Remarques

• Format d'entrée accepté : .pdf.
• fast est intégré et ajoute environ 25 MiB à l'image officielle. balanced et best nécessitent le pack OCR précis en option (environ 208-234 MiB à télécharger et 409-488 MiB installés, selon la cible).
• Le pack précis prend en charge Linux amd64 et arm64 et utilise ONNX Runtime sur CPU, y compris sur les hôtes NVIDIA.
• Un niveau explicitement demandé n'est jamais rétrogradé silencieusement. Si balanced ou best n'est pas disponible, API renvoie 501 avec FEATURE_NOT_INSTALLED ou FEATURE_INCOMPATIBLE.
• Les pages PDF sont pixellisées en haute résolution avant OCR. best exécute les modèles PP-OCRv6 moyens de plus haute précision et note des variantes d'orientation et d'amélioration, améliorant ainsi la reconnaissance au détriment de la vitesse.
• Le paramètre de langue auto permet la reconnaissance dans l'ensemble de scripts pris en charge ; une indication explicite peut améliorer les résultats pour un langage de document connu.
• Vous pouvez cibler des pages spécifiques à l'aide de plages ("1-3"), de listes séparées par des virgules ("1,3,5"), ou de "all" pour chaque page.
• Une demande peut traiter au maximum 50 pages. Les données de travail rastérisées sont limitées à 512 MiB et la réponse UTF-8 OCR globale est limitée à 1 000 000 octets ; les tâches dépassant la limite échouent plutôt que de renvoyer un texte partiel.
• Pour les PDF qui contiennent déjà du texte sélectionnable, envisagez plutôt d'utiliser l'outil PDF vers texte, plus rapide.