Marque páginas PDF que necesitan OCR

Qué significan las banderas de capa de texto y por qué importa el OCR por página

Envía esa lista ordenada de banderas booleanas; este endpoint no abre el PDF. true significa que la página es buscable y no necesita OCR; false significa que es solo imagen (o carece de capa de texto) y debe encolarse para OCR. La respuesta enumera needs_ocr_pages y searchable_pages como números de página base uno, más needs_ocr_count, searchable_count, all_need_ocr, all_searchable, ocr_ratio como needs_ocr_count dividido por page_count, un array pages con has_text_layer y needs_ocr por página, y un summary legible para registros y banners de UI.

Contrato de entrada, forma de la respuesta y errores de lista vacía

Cada entrada debe ser booleana; el solver también admite los tokens numéricos cero y uno y las cadenas habituales true, false, yes, no, y, n, zero y one, de modo que exportaciones CSV o de formularios se puedan pegar sin un paso previo de conversión. Tokens inválidos en una página concreta fallan nombrando el índice de página base uno, para que pueda corregir la sonda que produjo el mapa. Combine esta salida con su propio motor de OCR o con un producto hermano de OCR de PDF cuando esté listo para procesar solo las páginas listadas. Envíe un cuerpo JSON con text_layer, un array no vacío obligatorio de banderas de presencia por página en el orden del documento. Se aceptan los alias pages, flags y has_text para el mismo array. Un array vacío, una cadena en blanco, un campo ausente o un valor null fallan con invalid_input y un mensaje que nombra text_layer e indica que se requiere al menos una bandera de página—esos fallos no se facturan. En el éxito el cuerpo devuelve page_count igual a la longitud de las banderas, needs_ocr_pages por cada false, searchable_pages por cada true, los dos conteos, all_need_ocr cuando todas las páginas necesitan OCR, all_searchable cuando ninguna lo necesita, ocr_ratio redondeado a doce decimales para pruebas estables entre runtimes, el array detallado pages y summary. Ejemplo: banderas true, false, true, false producen page_count cuatro, needs_ocr_pages dos y cuatro, searchable_pages uno y tres, needs_ocr_count dos, ocr_ratio cero punto cinco, y un resumen que indica que dos de cuatro páginas necesitan OCR.

Dónde una API de banderas de páginas que necesitan OCR aporta valor

Los escritorios de digitalización reciben carpetas mixtas: exportaciones digitales nativas intercaladas con escaneos de cama plana. Los equipos de remediación de accesibilidad necesitan una lista determinista de páginas que fallan las comprobaciones de texto seleccionable, para abrir tickets página a página en lugar de a nivel de documento. Mantenga las solicitudes pequeñas, fije en las pruebas las listas ordenadas de páginas y obtendrá una puerta reproducible entre el inventario PDF y el gasto en OCR sin montar una pila de IA documental solo para un barrido booleano. Un paso de preflight que ya midió la presencia de capa de texto puede llamar a este endpoint para producir una lista de trabajo de números de página para la cola de OCR sin reabrir archivos de cientos de páginas. Las plataformas de búsqueda y e-discovery usan las mismas banderas para decidir si un documento está listo para indexar o debe esperar al OCR, y el campo ocr_ratio alimenta paneles de calidad que miden cuánto de cada lote de entrada sigue siendo solo imagen. Como la implementación es parse de nivel A, cada llamada exitosa cuesta el precio base publicado $0.002 sin tokens de modelo ni red saliente; la validación fallida no consume saldo.