OCR PDF — Python / Node.js / Go / C# / Rust (без Tesseract)

Извлекайте текст из отсканированных PDF со встроенным OCR. С версии v0.3.27 OCR доступен во всех языковых биндингах — Python, Node.js, Go, C# и Rust — через единый FFI-слой (pdf_ocr_engine_create, pdf_ocr_page_needs_ocr, pdf_ocr_extract_text).

Python

from pdf_oxide import PdfDocument

doc = PdfDocument("scanned.pdf")
text = doc.extract_text_ocr(0)
print(text)

Node.js

const { PdfDocument, OcrEngine } = require("pdf-oxide");

const doc = new PdfDocument("scanned.pdf");
const ocr = new OcrEngine();
if (ocr.pageNeedsOcr(doc, 0)) {
  console.log(ocr.extractText(doc, 0));
}
ocr.close();
doc.close();

Go

import pdfoxide "github.com/yfedoseev/pdf_oxide/go"

doc, _ := pdfoxide.Open("scanned.pdf")
defer doc.Close()

ocr, _ := pdfoxide.NewOcrEngine()
defer ocr.Close()

if ocr.NeedsOcr(doc, 0) {
    text, _ := ocr.ExtractTextWithOcr(doc, 0)
    fmt.Println(text)
}

C#

using PdfOxide.Core;
using PdfOxide.Ocr;

using var doc = PdfDocument.Open("scanned.pdf");
using var ocr = new OcrEngine();

if (ocr.PageNeedsOcr(doc, 0))
{
    Console.WriteLine(ocr.ExtractText(doc, 0));
}

Rust

use pdf_oxide::PdfDocument;
use pdf_oxide::ocr::{OcrEngine, OcrConfig, OcrExtractOptions, extract_text_with_ocr};

let mut doc = PdfDocument::open("scanned.pdf")?;
let config = OcrConfig::default();
let engine = OcrEngine::new("models/det.onnx", "models/rec.onnx", "models/dict.txt", config)?;
let options = OcrExtractOptions::default();
let text = extract_text_with_ocr(&mut doc, 0, Some(&engine), options)?;
println!("{text}");

PDF Oxide включает PaddleOCR через ONNX Runtime: никакой установки Tesseract, никаких системных зависимостей и вызовов подпроцессов. OCR-движок работает прямо внутри процесса. Поддерживаются семейства моделей PP-OCRv3, PP-OCRv4 и PP-OCRv5.

Примечание. В WebAssembly OCR недоступен (нужна нативная ONNX Runtime). Для Go, Node.js, C# и Rust собирайте с фичей ocr. Python-wheels поставляются с включённым OCR по умолчанию.

Python PDF OCR без Tesseract

Большинству Python-решений для OCR PDF нужен Tesseract как системная зависимость — и настройка отличается от ОС к ОС и от одной CI-среды к другой. PDF Oxide включает модели PaddleOCR прямо в Python wheel:

• Никаких системных зависимостей — достаточно pip install pdf_oxide
• Никаких подпроцессов — OCR работает нативно через ONNX Runtime
• Три семейства моделей — PP-OCRv3, PP-OCRv4 и PP-OCRv5
• Автоматическое определение страниц — библиотека сама понимает, какие страницы отсканированы, а какие текстовые

Сравнение: OCR PDF Oxide против PyMuPDF + Tesseract

	PDF Oxide	PyMuPDF + Tesseract
Установка	pip install pdf_oxide	pip install pymupdf + системный Tesseract
OCR-движок	PaddleOCR (ONNX)	Tesseract (подпроцесс)
Сложность настройки	Одна строка	Установка Tesseract под конкретную ОС
CI/Docker	Без дополнительной настройки	Нужен apt-get install tesseract-ocr
Модели в комплекте	Да (в колесе)	Нет (отдельная загрузка)

Установка

Python

pip install pdf_oxide

OCR-модели лежат внутри колеса. Ничего дополнительно скачивать не нужно.

Rust

[dependencies]
pdf_oxide = { version = "0.3", features = ["ocr"] }

Go

go build -tags ocr ./...

Node.js

npm install pdf-oxide --build-from-source -- --features ocr

C#

NuGet-пакет содержит бинарники для Linux, macOS и Windows с уже включённым OCR — дополнительной настройки не требуется.

Когда нужен OCR

В большинстве PDF текст уже встроен, и extract_text() обрабатывает его со скоростью 0,8 мс на страницу. OCR нужен только для:

• Сканированных документов — бумажных документов, отсканированных в PDF
• Чисто графических PDF — PDF из фотографий или скриншотов
• PDF, где текст — это изображение — некоторые генераторы растеризуют текст
• Гибридных страниц — страниц с нативным текстом и отсканированными областями одновременно

---

Версии моделей PP-OCR

PDF Oxide поддерживает три поколения моделей PaddleOCR. Конфигурация по умолчанию подходит для PP-OCRv3 и PP-OCRv4. Серверные модели PP-OCRv5 требуют иной стратегии ресайза.

PP-OCRv3 / PP-OCRv4 (по умолчанию)

Модели, оптимизированные для мобильных устройств, уменьшают изображения так, чтобы длинная сторона уложилась в заданный максимум. Хорошо работают на большинстве документов.

• Модель детекции: DBNet++ (облегчённая)
• Модель распознавания: SVTR
• Стратегия ресайза: MaxSide — длинная сторона ужимается до 960px
• Подходит: обычные документы, мобильные и edge-развёртывания

Python

from pdf_oxide import OcrConfig, OcrEngine

# Конфигурация по умолчанию рассчитана на модели v3/v4
config = OcrConfig()
engine = OcrEngine("det_v4.onnx", "rec_v4.onnx", "dict.txt", config)

Rust

use pdf_oxide::ocr::{OcrConfig, OcrEngine};

// Конфигурация по умолчанию: MaxSide { max_side: 960 }
let config = OcrConfig::default();
let engine = OcrEngine::new("det_v4.onnx", "rec_v4.onnx", "dict.txt", config)?;

PP-OCRv5 (серверная)

Серверные модели сохраняют высокое разрешение, при необходимости увеличивая изображение. Заметно точнее на плотном и мелком тексте.

• Модель детекции: DBNet++ (серверная, больше по размеру)
• Модель распознавания: SVTR-v5
• Стратегия ресайза: MinSide — короткая сторона как минимум 64px, потолок 4000px
• Подходит: задачи высокой точности, серверные сценарии, плотный текст

Python

from pdf_oxide import OcrConfig, OcrEngine

# v5-конфиг: высокое разрешение на входе для серверных моделей
config = OcrConfig(use_v5=True)
engine = OcrEngine("det_v5.onnx", "rec_v5.onnx", "dict_v5.txt", config)

Rust

use pdf_oxide::ocr::{OcrConfig, OcrEngine};

// v5-конфиг: MinSide { min_side: 64, max_side_limit: 4000 }
let config = OcrConfig::v5();
let engine = OcrEngine::new("det_v5.onnx", "rec_v5.onnx", "dict_v5.txt", config)?;

Сравнение моделей

Параметр	PP-OCRv3/v4	PP-OCRv5
Стратегия ресайза	MaxSide (ужимает до 960px)	MinSide (увеличивает, потолок 4000px)
Входное разрешение	Ниже (быстрее)	Выше (точнее)
Размер модели детекции	~3 МБ	~12 МБ
Размер модели распознавания	~12 МБ	~25 МБ
Подходит для	Мобильных устройств, edge, обычных документов	Серверов, плотного текста, мелкого шрифта
OcrConfig	OcrConfig() / OcrConfig::default()	OcrConfig(use_v5=True) / OcrConfig::v5()

---

Определение типа страницы

PDF Oxide автоматически классифицирует страницы и решает, нужен ли OCR. extract_text_ocr() делает это внутри, но тип страницы можно определять и вручную.

Автоматическое распознавание сканов

Python

from pdf_oxide import PdfDocument

doc = PdfDocument("mixed.pdf")

for i in range(doc.page_count()):
    text = doc.extract_text(i)
    if len(text.strip()) < 50:
        # Скорее всего скан — используем OCR
        text = doc.extract_text_ocr(i)
        print(f"Page {i + 1} (OCR): {text[:100]}...")
    else:
        print(f"Page {i + 1} (text): {text[:100]}...")

Rust

use pdf_oxide::PdfDocument;
use pdf_oxide::ocr::{detect_page_type, PageType, OcrEngine, OcrConfig, OcrExtractOptions, extract_text_with_ocr};

let mut doc = PdfDocument::open("mixed.pdf")?;
let engine = OcrEngine::new("det.onnx", "rec.onnx", "dict.txt", OcrConfig::default())?;

for i in 0..doc.page_count() {
    let page_type = detect_page_type(&mut doc, i)?;
    match page_type {
        PageType::NativeText => {
            let text = doc.extract_text(i)?;
            println!("Page {} (native): {}...", i + 1, &text[..100.min(text.len())]);
        }
        PageType::ScannedPage => {
            let text = extract_text_with_ocr(&mut doc, i, Some(&engine), OcrExtractOptions::default())?;
            println!("Page {} (OCR): {}...", i + 1, &text[..100.min(text.len())]);
        }
        PageType::HybridPage => {
            // Есть и нативный текст, и сканы — объединяем оба источника
            let text = extract_text_with_ocr(&mut doc, i, Some(&engine), OcrExtractOptions::default())?;
            println!("Page {} (hybrid): {}...", i + 1, &text[..100.min(text.len())]);
        }
    }
}

Варианты PageType (Rust)

Вариант	Описание
NativeText	На странице встроенный текст — OCR не нужен
ScannedPage	Страница полностью отсканирована (большое изображение, текста нет или его минимум) — OCR на всю страницу
HybridPage	На странице и нативный текст, и крупные отсканированные изображения — нативный текст объединяется с результатами OCR

Вспомогательная функция needs_ocr() возвращает true и для ScannedPage, и для HybridPage:

use pdf_oxide::ocr::needs_ocr;

if needs_ocr(&mut doc, 0)? {
    let text = extract_text_with_ocr(&mut doc, 0, Some(&engine), OcrExtractOptions::default())?;
}

---

Как это работает

1. PDF Oxide рендерит страницу во внутреннее изображение (300 DPI)
2. Изображение ресайзится согласно выбранной стратегии (MaxSide для v3/v4, MinSide для v5)
3. Детектор DBNet++ находит области текста в виде четырёхугольных рамок
4. Распознаватель SVTR читает символы из каждой найденной области
5. Результаты собираются в текст с сортировкой по порядку чтения
6. Для гибридных страниц OCR-текст объединяется с нативным

Весь конвейер работает внутри процесса через ONNX Runtime. Никаких внешних бинарников, подпроцессов и временных файлов.

---

Настройка OCR

Python

from pdf_oxide import OcrConfig, OcrEngine

# По умолчанию (v3/v4)
config = OcrConfig()

# Серверные модели PP-OCRv5
config = OcrConfig(use_v5=True)

# Пользовательские пороги
config = OcrConfig(
    det_threshold=0.5,    # Уверенность детекции (0.0-1.0)
    box_threshold=0.7,    # Уверенность рамки (0.0-1.0)
    rec_threshold=0.6,    # Уверенность распознавания (0.0-1.0)
    num_threads=8,        # Потоки ONNX Runtime
    max_candidates=500,   # Максимум областей текста
)

# v5 с пользовательскими порогами
config = OcrConfig(use_v5=True, det_threshold=0.4, num_threads=8)

engine = OcrEngine("det.onnx", "rec.onnx", "dict.txt", config)

Rust

use pdf_oxide::ocr::{OcrConfig, OcrConfigBuilder, DetResizeStrategy};

// По умолчанию (v3/v4): MaxSide { max_side: 960 }
let config = OcrConfig::default();

// PP-OCRv5: MinSide { min_side: 64, max_side_limit: 4000 }
let config = OcrConfig::v5();

// Сборка вручную
let config = OcrConfig::builder()
    .det_threshold(0.5)
    .box_threshold(0.7)
    .rec_threshold(0.6)
    .num_threads(8)
    .max_candidates(500)
    .detect_styles(true)        // Включить определение стилей по геометрии OCR
    .build();

// Своя стратегия ресайза
let config = OcrConfig::builder()
    .det_resize_strategy(DetResizeStrategy::MinSide {
        min_side: 128,
        max_side_limit: 6000,
    })
    .build();

DetResizeStrategy (Rust)

Управляет тем, как входное изображение изменяется в размере перед запуском модели детекции.

Вариант	Поля	Описание
MaxSide	max_side: u32 (по умолчанию: 960)	УМЕНЬШАЕТ так, чтобы длинная сторона уложилась в max_side. По умолчанию для PP-OCRv3/v4.
MinSide	min_side: u32 (по умолчанию: 64), max_side_limit: u32 (по умолчанию: 4000)	УВЕЛИЧИВАЕТ так, чтобы короткая сторона была не меньше min_side, с потолком max_side_limit. По умолчанию для PP-OCRv5.

Поля OcrConfig

Поле	Тип	По умолчанию	Описание
det_threshold	f32	0.3	Порог вероятности детекции
box_threshold	f32	0.6	Порог уверенности рамки
rec_threshold	f32	0.5	Порог уверенности распознавания
det_max_side	u32	960	Максимальный размер стороны (совместимо с v3/v4)
det_resize_strategy	DetResizeStrategy	MaxSide { 960 }	Стратегия ресайза
rec_target_height	u32	48	Целевая высота кропов для распознавания
num_threads	usize	4	Потоки инференса ONNX Runtime
unclip_ratio	f32	1.5	Коэффициент расширения рамки
max_candidates	usize	1000	Максимальное число областей текста
detect_styles	bool	true	Определять стили шрифта по геометрии OCR
det_model_path	Option<PathBuf>	None	Путь к пользовательской модели детекции
rec_model_path	Option<PathBuf>	None	Путь к пользовательской модели распознавания
dict_path	Option<PathBuf>	None	Путь к пользовательскому словарю символов

Свои модели

Используйте свои ONNX-модели вместо встроенных:

Rust

use pdf_oxide::ocr::OcrConfig;

let config = OcrConfig::builder()
    .det_model_path("models/custom_det.onnx")
    .rec_model_path("models/custom_rec.onnx")
    .dict_path("models/custom_dict.txt")
    .build();

Определение стилей

Если detect_styles включено (по умолчанию), PDF Oxide восстанавливает стили шрифта (жирный, уровень заголовка) по геометрии OCR — размеру текста, интервалам и позиции. Это улучшает преобразование сканированных страниц в Markdown.

let config = OcrConfig::builder()
    .detect_styles(true)    // Восстанавливать стили по геометрии текста
    .build();

---

OCR vs Tesseract

Параметр	OCR PDF Oxide	Tesseract (через PyMuPDF)
Установка	pip install pdf_oxide	Системный пакет + pytesseract
Системные зависимости	Нет	Нужен бинарник Tesseract
Среда выполнения	ONNX (внутри процесса)	Вызов подпроцесса
Версии моделей	PP-OCRv3, v4, v5	Tesseract LSTM
Языки	Многоязычно	Нужны языковые пакеты
Сложность настройки	Отсутствует	Средняя
Модель детекции	DBNet++	Встроенная в Tesseract
Модель распознавания	SVTR / SVTR-v5	Tesseract LSTM
Поддержка высокого разрешения	Стратегия MinSide (v5)	Настройка DPI
Определение типа страницы	Автоматическое (нативный/скан/гибрид)	Вручную

---

Свой DPI

Управляйте разрешением рендеринга, когда PDF-страницы превращаются в изображения для OCR:

Python

from pdf_oxide import PdfDocument

doc = PdfDocument("scanned.pdf")

# По умолчанию 300 DPI — хороший баланс точности и скорости
text = doc.extract_text_ocr(0)

# Более высокий DPI — лучше точность на мелком шрифте
text = doc.extract_text_ocr(0)  # В Rust DPI задаётся через OcrExtractOptions

Rust

use pdf_oxide::ocr::OcrExtractOptions;

// Выше DPI — точнее, но медленнее
let options = OcrExtractOptions::default().with_dpi(300.0);

// Ниже DPI — быстрее, но менее точно
let options = OcrExtractOptions::default().with_dpi(150.0);

---

Структура результата OCR (Rust)

Метод OcrEngine::ocr_image() возвращает подробный результат с оценкой уверенности для каждого спана:

use pdf_oxide::ocr::OcrEngine;

let engine = OcrEngine::new("det.onnx", "rec.onnx", "dict.txt", Default::default())?;
let output = engine.ocr_image(&image)?;

// Полный текст в порядке чтения
println!("{}", output.text_in_reading_order());

// Детали по каждому спану
for span in &output.spans {
    println!("Text: '{}' (confidence: {:.2})", span.text, span.confidence);
    println!("  Ограничивающая рамка: {:?}", span.bounding_rect());
    println!("  Уверенность по символам: {:?}", span.char_confidences);
}

// Общая уверенность
println!("Total confidence: {:.2}", output.total_confidence);

Поля OcrOutput

Поле / Метод	Тип	Описание
spans	Vec<OcrSpan>	Все распознанные области текста
total_confidence	f32	Средняя уверенность по всем спанам
text()	String	Весь текст через пробел
text_in_reading_order()	String	Текст, отсортированный по положению (сверху вниз, слева направо)

Поля OcrSpan

Поле	Тип	Описание
text	String	Распознанный текст
polygon	[[f32; 2]; 4]	Четырёхугольная рамка (4 угла)
confidence	f32	Общая уверенность (0,0–1,0)
char_confidences	Vec<f32>	Оценки уверенности по каждому символу

---

Пакетная обработка OCR

Обработка каталога со сканированными PDF:

Python

from pdf_oxide import PdfDocument, PdfError
from pathlib import Path

pdf_dir = Path("scans/")
output_dir = Path("text-output/")
output_dir.mkdir(exist_ok=True)

for pdf_path in pdf_dir.glob("*.pdf"):
    try:
        doc = PdfDocument(str(pdf_path))
        pages = []
        for i in range(doc.page_count()):
            text = doc.extract_text(i)
            if len(text.strip()) < 50:
                text = doc.extract_text_ocr(i)
            pages.append(text)

        out_path = output_dir / pdf_path.with_suffix(".txt").name
        out_path.write_text("\n\n".join(pages), encoding="utf-8")
    except PdfError as e:
        print(f"Error: {pdf_path.name}: {e}")

Rust

use pdf_oxide::PdfDocument;
use pdf_oxide::ocr::{OcrEngine, OcrConfig, OcrExtractOptions, extract_text_with_ocr, needs_ocr};
use std::fs;
use std::path::Path;

let engine = OcrEngine::new("det.onnx", "rec.onnx", "dict.txt", OcrConfig::default())?;
let options = OcrExtractOptions::default();

for entry in fs::read_dir("scans/")? {
    let path = entry?.path();
    if path.extension().map_or(false, |e| e == "pdf") {
        let mut doc = PdfDocument::open(path.to_str().unwrap())?;
        let mut all_text = String::new();
        for i in 0..doc.page_count() {
            let text = if needs_ocr(&mut doc, i)? {
                extract_text_with_ocr(&mut doc, i, Some(&engine), options.clone())?
            } else {
                doc.extract_text(i)?
            };
            all_text.push_str(&text);
            all_text.push_str("\n\n");
        }
        let out_path = Path::new("text-output/")
            .join(path.file_stem().unwrap())
            .with_extension("txt");
        fs::write(out_path, &all_text)?;
    }
}

Параллельный OCR (Python)

from pdf_oxide import PdfDocument
from multiprocessing import Pool
from pathlib import Path

def ocr_pdf(pdf_path: str) -> dict:
    doc = PdfDocument(pdf_path)
    text = ""
    for i in range(doc.page_count()):
        text += doc.extract_text_ocr(i) + "\n"
    return {"file": pdf_path, "text": text}

pdf_files = [str(p) for p in Path("scans/").glob("*.pdf")]

with Pool(4) as pool:
    results = pool.map(ocr_pdf, pdf_files)

---

OCR в Markdown

Превращаем отсканированные страницы в Markdown:

Python

from pdf_oxide import PdfDocument

doc = PdfDocument("scanned-report.pdf")

for i in range(doc.page_count()):
    md = doc.to_markdown(i, detect_headings=True)
    if len(md.strip()) < 50:
        # Скан-страница — сначала OCR, потом форматирование
        text = doc.extract_text_ocr(i)
        md = text  # OCR выдаёт обычный текст
    print(f"--- Page {i + 1} ---")
    print(md)

Rust

use pdf_oxide::PdfDocument;
use pdf_oxide::ocr::{OcrEngine, OcrConfig, OcrExtractOptions, needs_ocr, extract_text_with_ocr};

let mut doc = PdfDocument::open("scanned-report.pdf")?;
let engine = OcrEngine::new("det.onnx", "rec.onnx", "dict.txt", OcrConfig::default())?;

for i in 0..doc.page_count() {
    let text = if needs_ocr(&mut doc, i)? {
        extract_text_with_ocr(&mut doc, i, Some(&engine), OcrExtractOptions::default())?
    } else {
        doc.to_markdown(i, &Default::default())?
    };
    println!("--- Page {} ---\n{}", i + 1, text);
}

---

Замечания по производительности

OCR заметно медленнее извлечения встроенного текста:

Операция	Типичная скорость
Извлечение текста	0,8 мс на страницу
OCR (v3/v4)	200–1 000 мс на страницу
OCR (v5 серверная)	500–2 000 мс на страницу

Скорость OCR зависит от сложности страницы, разрешения изображения, плотности текста и версии модели. PP-OCRv5 медленнее, но точнее. Для больших пакетов используйте параллельную обработку (см. раздел «Пакетная обработка OCR» выше).

---

Загрузка моделей из байтов (Rust)

use pdf_oxide::ocr::{OcrEngine, OcrConfig};

let det_bytes = std::fs::read("models/det.onnx")?;
let rec_bytes = std::fs::read("models/rec.onnx")?;
let dict = std::fs::read_to_string("models/dict.txt")?;

let engine = OcrEngine::from_bytes(&det_bytes, &rec_bytes, &dict, OcrConfig::default())?;

---

Связанные страницы

• Извлечение текста — стандартное извлечение текста
• Конвертация в Markdown — Markdown с определением заголовков
• Рендеринг страниц — рендеринг страниц в изображения (используется OCR внутри)
• Пакетная обработка — шаблоны параллельной обработки
• Извлечение текста из PDF — руководство по извлечению текста