OCR de PDF
Este ficheiro será enviado. É apagado dentro de 30 minutos. As ferramentas locais não leem imagens de texto. O ficheiro gratuito do servidor é PDF para Word. O OCR precisa de um passe de dia de $6 ou do ano de $60.
Passos
- Largue uma digitalização. Esta página lê imagens de texto. Não converte para Word um PDF que já tem texto selecionável.
- Escreva o e-mail que usou no pagamento. O OCR não é o ficheiro gratuito do servidor.
- Descarregue o PDF. A cópia no servidor é apagada dentro de 30 minutos.
Perguntas
O ficheiro é enviado?
Sim. As ferramentas do navegador não. O OCR guarda a digitalização e o resultado no GridFS até a retenção apagar os dois.
O passe de dia renova?
Não. Custa $6, cobra-se uma vez e termina 24 horas depois. O ano custa $60. Escrevemos 7 dias antes dessa cobrança. Os dois pagamentos estão na página de preços. Preços
O que esta leitura devolve
O servidor transforma cada página em um PNG a 200 pontos por polegada e depois pede ao Tesseract uma camada de texto em inglês. A marca de idioma é eng. Não há um menu de idiomas. pdftoppm roda uma vez, com -png, -r 200, e um intervalo de 1 até a contagem de páginas. Tesseract roda uma vez por página e escreve um PDF dessa página. Uma página só volta como esse PDF. Mais de uma página é unida em ordem. O nome do download é sempre ocr.pdf. É um PDF, não um arquivo do Word. O arquivo original no computador não é substituído.
O escaneamento e ocr.pdf vão para o MongoDB GridFS, bucket uploads, com tool ocr-pdf. A origem usa role source. O resultado usa role result. Os PNG de trabalho ficam num diretório temporário e saem quando o trabalho termina ou falha. A retenção apaga objetos do GridFS cuja hora de envio chega a RETENTION_MINUTES. Um valor ausente, zero ou não positivo usa 30. A linha deletions guarda o id, o nome, a ferramenta, o papel, a hora de envio e a hora da exclusão, não os bytes. O servidor apaga o escaneamento e ocr.pdf dentro de 30 minutos.
Não há um arquivo de OCR grátis. A trava é chamada com a contagem de arquivos grátis já em 1, então um visitante sem compra ativa é recusado. O teto é de 20 páginas mesmo com um passe ativo. O passe de um dia custa $6, é cobrado uma vez, dura 24 horas e não renova. O ano custa $60 e dura 365 dias. O e-mail precisa coincidir com uma compra de status active, do início até antes do fim. O arquivo grátis do servidor é PDF para Word, um arquivo, até 20 páginas, na página dele. pdftoppm e o Tesseract de cada página são encerrados após 60 segundos. O formulário aceita um arquivo.
Sem arquivo, ou bytes sem %PDF- nos primeiros 1024 caracteres, falha com "Choose a PDF." Um arquivo cuja contagem de páginas não pode ser lida falha com "This PDF could not be read." Sem páginas falha com "This PDF has no pages." Mais de 20 páginas falha com "OCR stops at 20 pages." Sem passe falha com "OCR needs a $6 day pass or the $60 year. The free server file is PDF to Word. Enter the email from checkout." Se pdftoppm ou Tesseract não estão instalados, a página diz "OCR is not available on this server." Um processo esgotado ou falho também termina como "This PDF could not be read."
Perguntas
O que há dentro de ocr.pdf?
Um PDF. Tesseract escreve uma camada de texto em inglês a partir da imagem a 200 DPI de cada página. A página não reconstrói colunas e não emite um .docx. Um PDF que já tem texto selecionável ainda passa por esse caminho de imagem. PDF para Word é a página que copia uma camada de texto existente para o Word.
O primeiro escaneamento é grátis?
Não. OCR de PDF nunca é o arquivo grátis do servidor. O arquivo grátis é uma conversão de PDF para Word, até 20 páginas, quando esse PDF tem texto selecionável. Esta página pede o e-mail do pagamento de um passe ativo antes de ler o escaneamento.
O que resta depois da exclusão?
O GridFS tira o escaneamento e ocr.pdf quando o relógio vence, 30 minutos salvo se RETENTION_MINUTES for um número positivo. A linha deletions guarda ids e horas, não os bytes. A linha jobs guarda os nomes, a contagem de páginas, o e-mail digitado e o hash de rede. Os PNG temporários já se foram.
O que um passe muda aqui?
Um passe ativo é exigido antes do primeiro escaneamento. O passe de um dia é $6, cobrado uma vez, por 24 horas, e não renova. O ano é $60 por 365 dias. Cancelar interrompe a próxima cobrança do ano. O teto de 20 páginas continua para os dois. Um passe não acrescenta um idioma além do inglês e não transforma o resultado em Word.