OCR для PDF
Этот файл будет загружен. Он удаляется в течение 30 минут. Местные инструменты не читают картинки текста. Бесплатный файл сервера — PDF в Word. Для OCR нужен дневной пропуск за $6 или год за $60.
Шаги
- Положите скан. Эта страница читает картинки текста. Она не переводит в Word PDF, в котором уже есть выделяемый текст.
- Введите почту, которую использовали при оплате. OCR — не бесплатный файл сервера.
- Скачайте PDF. Копия на сервере удаляется в течение 30 минут.
Вопросы
Файл отправляется?
Да. Инструменты браузера нет. OCR хранит скан и результат в GridFS, пока удержание не удалит оба.
Дневной пропуск продлевается?
Нет. Он стоит $6, списывается один раз и заканчивается через 24 часа. Год стоит $60. Мы пишем за 7 дней до этого списания. Обе оплаты есть на странице цен. Цены
Что возвращает это чтение
Сервер превращает каждую страницу в PNG с 200 точками на дюйм, затем просит Tesseract об английском текстовом слое. Флаг языка — eng. Меню языка нет. pdftoppm запускается один раз, с -png, -r 200 и диапазоном от 1 до числа страниц. Tesseract запускается один раз на страницу и пишет PDF этой страницы. Одна страница возвращается как этот PDF. Несколько страниц склеиваются по порядку. Имя загрузки всегда ocr.pdf. Это PDF, не файл Word. Исходный файл на компьютере не заменяется.
Скан и ocr.pdf попадают в MongoDB GridFS, bucket uploads, с tool ocr-pdf. Источник использует role source. Результат использует role result. Рабочие PNG лежат во временном каталоге и удаляются, когда работа кончается или срывается. Удержание удаляет объекты GridFS, чьё время загрузки не моложе RETENTION_MINUTES. Отсутствующее, нулевое или неположительное значение даёт 30. Строка deletions хранит id, имя, инструмент, роль, время загрузки и время удаления, но не байты. Сервер удаляет скан и ocr.pdf в течение 30 минут.
Бесплатного файла OCR нет. Шлагбаум вызывается, когда счётчик бесплатных файлов уже равен 1, поэтому посетитель без активной покупки получает отказ. Потолок — 20 страниц, даже если пропуск активен. Дневной пропуск стоит $6, списывается один раз, длится 24 часа и не продлевается. Год стоит $60 и длится 365 дней. Почта должна совпасть с покупкой статуса active, от начала и до конца, не включая конец. Бесплатный файл сервера — PDF в Word, один файл, до 20 страниц, на своей странице. pdftoppm и Tesseract каждой страницы обрываются через 60 секунд. Форма берёт один файл.
Нет файла или нет %PDF- в первых 1024 знаках — ошибка "Choose a PDF." Файл, у которого не читается число страниц, даёт "This PDF could not be read." Нет страниц — "This PDF has no pages." Больше 20 страниц — "OCR stops at 20 pages." Без пропуска — "OCR needs a $6 day pass or the $60 year. The free server file is PDF to Word. Enter the email from checkout." Если нет pdftoppm или Tesseract, страница говорит "OCR is not available on this server." Истёкший или сорванный процесс тоже кончается как "This PDF could not be read."
Вопросы
Что внутри ocr.pdf?
PDF. Tesseract пишет английский текстовый слой по картинке 200 DPI каждой страницы. Страница не собирает колонки заново и не выдаёт .docx. PDF, где уже есть выделяемый текст, всё равно идёт тем же путём через картинку. PDF в Word — страница, которая копирует существующий текстовый слой в Word.
Первый скан бесплатный?
Нет. OCR для PDF никогда не бывает бесплатным файлом сервера. Бесплатный файл — одно преобразование PDF в Word, до 20 страниц, когда в этом PDF есть выделяемый текст. Эта страница просит почту оплаты активного пропуска, прежде чем читать скан.
Что остаётся после удаления?
GridFS убирает скан и ocr.pdf по часам хранения, 30 минут, если RETENTION_MINUTES не положительное число. Строка deletions хранит id и время, не байты. Строка jobs хранит имена, число страниц, введённую почту и сетевой хеш. Временные PNG уже исчезли.
Что меняет пропуск на этой странице?
Активный пропуск нужен до первого скана. Дневной пропуск — $6, одно списание, 24 часа, без продления. Год — $60 на 365 дней. Отмена останавливает следующее годовое списание. Потолок в 20 страниц остаётся для обоих. Пропуск не добавляет язык кроме английского и не превращает результат в Word.