OCR de PDF
Este archivo se subirá. Se borra en un plazo de 30 minutos. Las herramientas locales no leen imágenes de texto. El archivo gratis del servidor es PDF a Word. OCR necesita un pase de día de $6 o el año de $60.
Pasos
- Suelta un escaneo. Esta página lee imágenes de texto. No convierte a Word un PDF que ya tiene texto seleccionable.
- Escribe el correo que usaste al pagar. OCR no es el archivo gratis del servidor.
- Descarga el PDF. La copia del servidor se borra en un plazo de 30 minutos.
Preguntas
¿El archivo se sube?
Sí. Las herramientas del navegador no. OCR guarda el escaneo y el resultado en GridFS hasta que la retención borra ambos.
¿El pase de día se renueva?
No. Cuesta $6, se cobra una vez y termina 24 horas después. El año cuesta $60. Escribimos 7 días antes de ese cobro. Los dos pagos están en la página de precios. Precios
Qué devuelve esta lectura
El servidor convierte cada página en un PNG a 200 puntos por pulgada y luego pide a Tesseract una capa de texto en inglés. La bandera de idioma es eng. No hay un menú de idiomas. pdftoppm corre una vez, con -png, -r 200, y un rango desde 1 hasta el número de páginas. Tesseract corre una vez por página y escribe un PDF de esa página. Una sola página se devuelve como ese PDF. Más de una página se une en orden. El nombre de descarga es siempre ocr.pdf. Es un PDF, no un archivo de Word. El archivo original en el computador no se reemplaza.
El escaneo y ocr.pdf entran en MongoDB GridFS, bucket uploads, con tool ocr-pdf. El origen usa role source. El resultado usa role result. Los PNG de trabajo viven en un directorio temporal y se borran cuando el trabajo termina o falla. La retención borra objetos de GridFS cuya hora de subida alcanza RETENTION_MINUTES. Un valor ausente, cero o no positivo usa 30. La fila deletions guarda el id, el nombre, la herramienta, el papel, la hora de subida y la hora de borrado, no los bytes. El servidor borra el escaneo y ocr.pdf en un plazo de 30 minutos.
No hay un archivo de OCR gratis. La compuerta se llama con el conteo de archivos gratis ya en 1, así que un visitante sin compra activa es rechazado. El tope es 20 páginas aunque el pase esté activo. El pase de día cuesta $6, se cobra una vez, dura 24 horas y no se renueva. El año cuesta $60 y dura 365 días. El correo debe coincidir con una compra de estado active, desde el inicio y antes del fin. El archivo gratis del servidor es PDF a Word, un archivo, hasta 20 páginas, en su propia página. pdftoppm y el Tesseract de cada página se matan a los 60 segundos. El formulario toma un solo archivo.
Sin archivo, o bytes sin %PDF- en los primeros 1024 caracteres, falla con "Choose a PDF." Un archivo cuyo número de páginas no se puede leer falla con "This PDF could not be read." Sin páginas falla con "This PDF has no pages." Más de 20 páginas falla con "OCR stops at 20 pages." Sin pase falla con "OCR needs a $6 day pass or the $60 year. The free server file is PDF to Word. Enter the email from checkout." Si pdftoppm o Tesseract no están instalados, la página dice "OCR is not available on this server." Un proceso vencido o fallido también termina como "This PDF could not be read."
Preguntas
¿Qué hay dentro de ocr.pdf?
Un PDF. Tesseract escribe una capa de texto en inglés a partir de la imagen a 200 DPI de cada página. La página no reconstruye columnas y no emite un .docx. Un PDF que ya tiene texto seleccionable igual pasa por ese camino de imagen. PDF a Word es la página que copia una capa de texto existente a Word.
¿El primer escaneo es gratis?
No. OCR de PDF nunca es el archivo gratis del servidor. El archivo gratis es una conversión de PDF a Word, hasta 20 páginas, cuando ese PDF tiene texto seleccionable. Esta página pide el correo del pago de un pase activo antes de leer el escaneo.
¿Qué queda después del borrado?
GridFS quita el escaneo y ocr.pdf cuando vence el reloj, 30 minutos salvo que RETENTION_MINUTES sea positivo. La fila deletions guarda ids y horas, no los bytes. La fila jobs guarda los nombres, el número de páginas, el correo escrito y el hash de red. Los PNG temporales ya no están.
¿Qué cambia un pase aquí?
Hace falta un pase activo antes del primer escaneo. El pase de día es $6, se cobra una vez, dura 24 horas y no se renueva. El año es $60 durante 365 días. Cancelar frena el cobro siguiente del año. El tope de 20 páginas sigue para los dos. Un pase no añade un idioma distinto del inglés y no convierte el resultado en Word.