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

description, i18n_output_hash, i18n_source_hash, i18n_provenance

description	i18n_output_hash	i18n_source_hash	i18n_provenance
Extraheer tekst lokaal uit gescande PDF's met de ingebouwde Tesseract of de optionele uiterst nauwkeurige RapidOCR-runtime.	eec0a577d772	a19ba25a1ca8	human

PDF OCR

Extraheer tekst uit gescande PDF-documenten pagina voor pagina zonder de PDF naar een externe service te sturen. De ingebouwde fast-laag maakt gebruik van Tesseract. De optionele lagen balanced en best gebruiken RapidOCR met vastgezette PP-OCR ONNX-modellen.

::: info Compatibiliteit voor Koreaanse OCR Snelle OCR ondersteunt auto, en, de, es, fr, zh en ja, maar geen Koreaans (ko). Koreaans vereist het nauwkeurige OCR-pakket en balanced of best. Het pakket werkt in officiële Linux amd64- en arm64-containers, ook op NVIDIA-hosts waar OCR op de CPU blijft draaien. Niet-ondersteunde systemen krijgen een expliciete compatibiliteitsfout en vallen nooit stil terug op fast. Koreaans met fast of de oude alias tesseract wordt vóór het in de wachtrij plaatsen geweigerd met FEATURE_INCOMPATIBLE en fast-korean-unsupported. :::

API Endpoint

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

Accepteert multipart-formuliergegevens met een PDF-bestand en een optioneel JSON-veld settings.

Parameters

Parameter	Type	Vereist	Standaard	Beschrijving
file	file	Ja	-	PDF-bestand (meerdere delen), tot 512 MiB gecodeerd; er geldt nog steeds een lagere uploadlimiet voor operators
quality	string	Nee	Dynamisch	OCR-kwaliteitsniveau: fast, balanced of best
language	string	Nee	"auto"	Documenttaal: auto, en, de, fr, es, zh, ja, ko
pages	string	Nee	"all"	Paginaselectie, bijv. "all", "1-3", "1,3,5"
enhance	boolean	Nee	Niveau-afhankelijk	Verbeter het lokale contrast vóór herkenning. Snel past het direct toe; Gebalanceerd en Best behouden de variant alleen als gekalibreerde scores het resultaat verbeteren. Standaard ingesteld op true voor best en false voor fast/balanced
engine	string	Nee	-	Verouderde compatibiliteitsalias. Gebruik in plaats daarvan quality. tesseract wordt toegewezen aan fast; de oude paddleocr-waarde wordt toegewezen aan balanced maar laadt PaddlePaddle niet

Als quality en engine zijn weggelaten, kiest SnapOtter de beste beschikbare laag in deze volgorde: best, balanced, fast. Voor Koreaans wordt fast nooit gekozen; het gebruikt best, daarna balanced, of geeft een installatie- of compatibiliteitsfout voor de nauwkeurige runtime terug.

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

Geeft 202 Accepted terug. Volg de voortgang via SSE op /api/v1/jobs/{jobId}/progress.

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

Notes

• Geaccepteerd invoerformaat: .pdf.
• fast is ingebouwd en voegt ongeveer 25 MiB toe aan de officiële afbeelding. Voor balanced en best is het optionele, nauwkeurige OCR-pakket vereist (ongeveer 208-234 MiB om te downloaden en 409-488 MiB geïnstalleerd, afhankelijk van het doel).
• Het nauwkeurige pakket ondersteunt Linux amd64 en arm64 en gebruikt ONNX Runtime op CPU, inclusief op NVIDIA-hosts.
• Een expliciet aangevraagd niveau wordt nooit stilzwijgend gedegradeerd. Als balanced of best niet beschikbaar is, retourneert de API 501 met FEATURE_NOT_INSTALLED of FEATURE_INCOMPATIBLE.
• PDF-pagina's worden vóór OCR met hoge resolutie gerasterd. best voert de PP-OCRv6-modellen met hogere nauwkeurigheid uit en scoort oriëntatie- en verbeteringsvarianten, waardoor de herkenning wordt verbeterd ten koste van de snelheid.
• De taalinstelling auto maakt herkenning via de ondersteunde scriptset mogelijk; een expliciete hint kan de resultaten voor een bekende documenttaal verbeteren.
• Je kunt specifieke pagina's aanwijzen met bereiken ("1-3"), door komma's gescheiden lijsten ("1,3,5"), of "all" voor elke pagina.
• Een aanvraag kan maximaal 50 pagina's verwerken. Gerasterde scratch-gegevens zijn beperkt tot 512 MiB en de totale UTF-8 OCR-respons is beperkt tot 1.000.000 bytes; taken die te hoog zijn, mislukken in plaats van een gedeeltelijke tekst terug te geven.
• Voor PDF's die al selecteerbare tekst bevatten, kun je beter het snellere hulpmiddel PDF to Text gebruiken.