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

description, i18n_output_hash, i18n_source_hash, i18n_provenance

description	i18n_output_hash	i18n_source_hash	i18n_provenance
Trích xuất văn bản từ các tệp PDF được quét cục bộ bằng Tesseract tích hợp sẵn hoặc thời gian chạy RapidOCR có độ chính xác cao tùy chọn.	74e1bebfa9b1	a19ba25a1ca8	human

PDF OCR

Trích xuất văn bản từ từng trang tài liệu PDF được quét mà không gửi PDF đến một dịch vụ bên ngoài. Tầng fast tích hợp sử dụng Tesseract. Các tầng balanced và best tùy chọn sử dụng RapidOCR với các mẫu PP-OCR ONNX được ghim.

::: info Khả năng tương thích OCR tiếng Hàn OCR Nhanh hỗ trợ auto, en, de, es, fr, zh và ja, nhưng không hỗ trợ tiếng Hàn (ko). Tiếng Hàn cần gói OCR Chính xác và balanced hoặc best. Gói chạy trên container Linux amd64 và arm64 chính thức, kể cả máy chủ NVIDIA nơi OCR vẫn chạy bằng CPU. Hệ thống không được hỗ trợ sẽ trả về lỗi tương thích rõ ràng và không âm thầm chuyển về fast. Tiếng Hàn với fast hoặc bí danh cũ tesseract bị từ chối trước khi xếp hàng với FEATURE_INCOMPATIBLE và fast-korean-unsupported. :::

API Endpoint

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

Chấp nhận dữ liệu biểu mẫu multipart với một tệp PDF và một trường JSON settings tùy chọn.

Parameters

Tham số	Kiểu	Bắt buộc	Mặc định	Mô tả
file	file	Đúng	-	Tệp PDF (nhiều phần), được mã hóa tối đa 512 MiB; giới hạn tải lên của nhà điều hành thấp hơn vẫn được áp dụng
quality	string	KHÔNG	Năng động	Cấp chất lượng OCR: fast, balanced hoặc best
language	string	Không	"auto"	Ngôn ngữ tài liệu: auto, en, de, fr, es, zh, ja, ko
pages	string	Không	"all"	Chọn trang, ví dụ "all", "1-3", "1,3,5"
enhance	boolean	KHÔNG	Phụ thuộc vào cấp bậc	Cải thiện độ tương phản cục bộ trước khi nhận dạng. Nhanh chóng áp dụng nó trực tiếp; Cân bằng và Tốt nhất chỉ giữ lại biến thể khi việc tính điểm đã hiệu chỉnh cải thiện kết quả. Mặc định là true cho best và false cho fast/balanced
engine	string	KHÔNG	-	Bí danh tương thích không được dùng nữa. Thay vào đó hãy sử dụng quality. tesseract ánh xạ tới fast; giá trị paddleocr kế thừa ánh xạ tới balanced nhưng không tải PaddlePaddle

Khi bỏ qua quality và engine, SnapOtter chọn cấp tốt nhất hiện có theo thứ tự best, balanced, fast. Với tiếng Hàn, hệ thống không bao giờ chọn fast; hệ thống dùng best, sau đó balanced, hoặc trả về lỗi cài đặt hay tương thích của runtime chính xác.

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

Trả về 202 Accepted. Theo dõi tiến độ qua SSE tại /api/v1/jobs/{jobId}/progress.

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

Notes

• Định dạng đầu vào được chấp nhận: .pdf.
• fast được tích hợp sẵn và thêm khoảng 25 MiB vào hình ảnh chính thức. balanced và best yêu cầu gói OCR chính xác tùy chọn (khoảng 208-234 MiB để tải xuống và 409-488 MiB được cài đặt, tùy thuộc vào mục tiêu).
• Gói chính xác hỗ trợ Linux amd64 và arm64 và sử dụng ONNX Runtime trên CPU, bao gồm cả trên máy chủ NVIDIA.
• Cấp độ được yêu cầu rõ ràng không bao giờ bị hạ cấp một cách âm thầm. Nếu balanced hoặc best không có sẵn thì API trả về 501 với FEATURE_NOT_INSTALLED hoặc FEATURE_INCOMPATIBLE.
• Các trang PDF được rasterized ở độ phân giải cao trước OCR. best chạy các mô hình PP-OCRv6 trung bình có độ chính xác cao hơn và chấm điểm các biến thể định hướng và nâng cao, cải thiện khả năng nhận dạng nhưng phải trả giá bằng tốc độ.
• Cài đặt ngôn ngữ auto cho phép nhận dạng trên bộ tập lệnh được hỗ trợ; một gợi ý rõ ràng có thể cải thiện kết quả cho một ngôn ngữ tài liệu đã biết.
• Bạn có thể nhắm đến các trang cụ thể bằng cách dùng phạm vi ("1-3"), danh sách ngăn cách bằng dấu phẩy ("1,3,5"), hoặc "all" cho mọi trang.
• Một yêu cầu có thể xử lý tối đa 50 trang. Dữ liệu đầu rasterized được giới hạn ở 512 MiB và phản hồi UTF-8 OCR tổng hợp được giới hạn ở 1.000.000 byte; công việc vượt quá giới hạn sẽ thất bại thay vì trả về một phần văn bản.
• Đối với các PDF đã chứa văn bản có thể chọn được, hãy cân nhắc dùng công cụ PDF to Text nhanh hơn thay thế.