ForHosting KIT · Documents et PDF

Repérez les pages PDF à OCR

Indiquez quatre pages comme texte, image, texte, image et vous apprenez que la 2 et la 4 ont besoin d'OCR, tandis que la 1 et la 3 sont déjà consultables, avec un court résumé. N'envoyez que ces pages à la reconnaissance. Gratuit dans votre navigateur.

Gratuit
Fonctionne dans votre navigateur
Sans inscription
Vos données restent sur votre appareil

Lancer gratuitement Voir l’API

Utilisez-le depuis WebAPIE-mailTelegramApp bientôt

Beaucoup de PDF mélangent des pages nativement numériques, déjà pourvues d'une couche de texte sélectionnable, et des pages scannées qui s'affichent correctement mais ne permettent ni de copier, ni de rechercher, ni d'indexer. Avant de dépenser un budget d'OCR sur tout le document ou d'envoyer le fichier dans un pipeline qui suppose un texte extractible, vous avez besoin de la liste exacte des numéros de page sans couche texte. Cette capacité accepte cette carte booléenne de présence—true si la page a du texte extractible, false si elle n'est qu'image—et renvoie les pages qui nécessitent l'OCR, celles déjà interrogeables, les comptes, le ratio d'OCR et un résumé d'une ligne. Une entrée vide est rejetée pour que le silence ne soit jamais pris pour un succès.

Ce que signifient les indicateurs de couche texte et pourquoi l'OCR par page compte

Une page PDF peut afficher des glyphes qui ressemblent à du texte tout en ne stockant qu'une image raster en dessous. Le remède pratique est l'OCR, mais l'exécuter sur toutes les pages d'un grand document mixte gaspille temps et argent lorsque la moitié a déjà une couche texte. Le contrat est volontairement étroit : vous savez déjà—ou une sonde légère a déjà mesuré—si chaque page a du texte extractible.

Vous envoyez cette liste ordonnée d'indicateurs booléens ; ce point d'accès n'ouvre pas le PDF. true signifie que la page est interrogeable et n'a pas besoin d'OCR ; false signifie qu'elle n'est qu'image (ou sans couche texte) et doit être mise en file pour l'OCR. Les indicateurs sont lus dans l'ordre du document à partir de la page un. Cette forme permet à un traitement par lots d'OCR-iser seulement les pages marquées, d'ignorer celles déjà interrogeables et de rapporter la couverture sans reparser les octets du PDF.

Là où ce repérage page par page est utile

Les bureaux de numérisation reçoivent des liasses mixtes : exports numériques natifs intercalés avec des scans à plat. Une étape de précontrôle qui a déjà mesuré la présence de couche texte peut appeler ce point d'accès pour produire une liste de travail de numéros de page pour la file d'OCR sans rouvrir des fichiers de plusieurs centaines de pages. Les équipes de remédiation d'accessibilité ont besoin d'une liste déterministe des pages qui échouent aux contrôles de texte sélectionnable, afin d'ouvrir des tickets page par page plutôt qu'au niveau du document.

Gardez les requêtes petites, figez dans les tests les listes ordonnées de pages, et vous obtenez une barrière reproductible entre inventaire PDF et dépense OCR sans monter une pile d'IA documentaire pour un simple balayage booléen.

Cas d’usage

Listes de travail d'OCR sélectif

Transformez une sonde de couche texte par page en une liste en base un des pages qui ont encore besoin d'OCR, pour que les lots ignorent les pages déjà interrogeables.

Tickets de remédiation d'accessibilité

Ouvrez des tickets au niveau de la page pour les pages purement image sans texte extractible, au lieu de marquer tout le document.

Questions fréquentes

Les numéros de page sont-ils en base zéro ou en base un ?

En base un, comme les personnes et la plupart des interfaces PDF numérotent. Le premier indicateur est la page 1, le deuxième la page 2, et ainsi de suite.

Cette capacité ouvre-t-elle ou OCR-ise-t-elle le fichier PDF ?

Non. Elle n'analyse que les indicateurs booléens de couche texte que vous fournissez.

Que mesure la proportion de pages à OCR ?

La part du document qui doit encore passer en reconnaissance : les pages sans texte divisées par le total. Avec quatre pages dont deux sans texte, la proportion vaut 0,5, soit la moitié du document.

Pourquoi une page qui affiche du texte peut-elle avoir besoin d'OCR ?

Parce que ce que vous voyez peut n'être qu'une photo du texte. Une page numérisée s'affiche bien mais ne contient qu'une image : la copie, la recherche et les lecteurs d'écran n'en tirent rien.

Que se passe-t-il si la valeur d'une page est invalide ?

La vérification s'arrête et nomme cette page, comptée à partir de un, pour que vous corrigiez l'étape qui a produit la liste. Une liste vide est aussi refusée, afin de ne jamais confondre silence et réussite.

Outils associés

Pour les développeurs — accès API

Tout sur cette page est disponible par programmation. Cette section s'adresse aux équipes qui veulent l'intégrer à leurs systèmes ; les autres peuvent simplement utiliser l'outil ci-dessus.

Endpoint

POSThttps://api.kit.forhosting.com/pdf/searchable-ocr-flag

Authentification par jeton Bearer : un seul POST met la tâche en file d’attente, et le résultat vous parvient par webhook ou lien signé.

Appeler depuis votre stack

curl -X POST https://api.kit.forhosting.com/pdf/searchable-ocr-flag \
  -H "Authorization: Bearer $KIT_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text_layer":[true,false,true,false]}'

const res = await fetch("https://api.kit.forhosting.com/pdf/searchable-ocr-flag", {
  method: "POST",
  headers: {
    "Authorization": `Bearer ${process.env.KIT_KEY}`,
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    "text_layer": [
      true,
      false,
      true,
      false
    ]
  })
});
const { task_id } = await res.json();

import os, requests

res = requests.post(
    "https://api.kit.forhosting.com/pdf/searchable-ocr-flag",
    headers={"Authorization": f"Bearer {os.environ['KIT_KEY']}"},
    json={
    "text_layer": [
        true,
        false,
        true,
        false
    ]
},
)
task_id = res.json()["task_id"]

<?php
$res = file_get_contents("https://api.kit.forhosting.com/pdf/searchable-ocr-flag", false, stream_context_create([
  "http" => [
    "method"  => "POST",
    "header"  => "Authorization: Bearer " . getenv("KIT_KEY") . "\r\nContent-Type: application/json",
    "content" => '{"text_layer":[true,false,true,false]}',
  ],
]));
$task = json_decode($res, true);

body := bytes.NewBufferString(`{"text_layer":[true,false,true,false]}`)
req, _ := http.NewRequest("POST", "https://api.kit.forhosting.com/pdf/searchable-ocr-flag", body)
req.Header.Set("Authorization", "Bearer "+os.Getenv("KIT_KEY"))
req.Header.Set("Content-Type", "application/json")
res, _ := http.DefaultClient.Do(req)

Exemple de requête

{
  "text_layer": [
    true,
    false,
    true,
    false
  ]
}

Exemple de réponse

{
  "task_id": "tsk_a1b2c3d4e5f6a1b2c3d4e5f6",
  "type": "pdf.searchable_ocr_flag",
  "status": "queued",
  "_links": {
    "result": "/tasks/tsk_…/result"
  }
}

L’API est asynchrone : chaque appel renvoie un task_id immédiatement, puis vous interrogez l’état à raison d’une requête par seconde.

Tarifs

par requête$0.002

Le prix est publié, sans tokens ni crédits. Une tâche qui échoue n’est pas facturée.

Limites

`max_mb`	25
`max_pages`	200

Erreurs

HTTP	Code	Signification
`401`	`unauthorized`	Clé API absente ou invalide : vérifiez l’en-tête Authorization.
`402`	`insufficient_balance`	Solde insuffisant : rechargez votre compte pour lancer cette tâche.
`404`	`unknown_type`	Type de tâche inconnu : vérifiez le champ type de votre requête.
`429`	`rate_limited`	Trop de requêtes : ralentissez la cadence, puis réessayez.

Notes techniques

Ce que signifient les indicateurs de couche texte et pourquoi l'OCR par page compte

Les outils en aval qui appellent des API d'extraction de texte reçoivent alors des chaînes vides, la recherche plein texte ignore la page, les lecteurs d'accessibilité n'annoncent rien d'utile et les pipelines d'archivage qui attendent du texte natif échouent en silence. La réponse liste needs_ocr_pages et searchable_pages comme numéros de page en base un, plus needs_ocr_count, searchable_count, all_need_ocr, all_searchable, ocr_ratio égal à needs_ocr_count divisé par page_count, un tableau pages avec has_text_layer et needs_ocr par page, et un summary lisible pour journaux et bannières d'interface.

Contrat d'entrée, forme de la réponse et erreurs de liste vide

Chaque entrée doit être booléenne ; le solveur accepte aussi les jetons numériques zéro et un et les chaînes courantes true, false, yes, no, y, n, zero et one, afin que des exports CSV ou de formulaires puissent être collés sans conversion préalable. Des jetons invalides sur une page donnée échouent en nommant l'index de page en base un, pour que vous puissiez corriger la sonde qui a produit la carte. Associez cette sortie à votre propre moteur d'OCR ou à un produit frère d'OCR PDF lorsque vous êtes prêt à traiter uniquement les pages listées. Envoyez un corps JSON avec text_layer, un tableau non vide obligatoire d'indicateurs de présence par page dans l'ordre du document. Les alias pages, flags et has_text sont acceptés pour le même tableau. Un tableau vide, une chaîne blanche, un champ manquant ou une valeur null échouent avec invalid_input et un message qui nomme text_layer et indique qu'au moins un indicateur de page est requis—ces échecs ne sont pas facturés. En cas de succès le corps renvoie page_count égal à la longueur des indicateurs, needs_ocr_pages pour chaque false, searchable_pages pour chaque true, les deux comptes, all_need_ocr lorsque toutes les pages ont besoin d'OCR, all_searchable lorsqu'aucune n'en a besoin, ocr_ratio arrondi à douze décimales pour des tests stables entre environnements d'exécution, le tableau détaillé pages et summary. Exemple : les indicateurs true, false, true, false donnent page_count quatre, needs_ocr_pages deux et quatre, searchable_pages un et trois, needs_ocr_count deux, ocr_ratio zéro virgule cinq, et un résumé indiquant que deux pages sur quatre ont besoin d'OCR.

Où une API d'indicateurs de pages à OCR apporte sa valeur

Les plateformes de recherche et d'e-discovery utilisent les mêmes indicateurs pour décider si un document est prêt à l'indexation ou doit attendre l'OCR, et le champ ocr_ratio alimente des tableaux de bord qualité qui suivent la part de chaque lot d'entrée encore purement image. Comme l'implémentation est parse de niveau A, chaque appel réussi coûte le prix de base publié $0.002 sans jetons de modèle ni réseau sortant ; une validation en échec ne consomme pas le solde.

Cas d'intégration

Réception et préparation à l'index

Décidez si un PDF mixte est prêt pour la recherche plein texte ou doit attendre l'OCR en utilisant needs_ocr_count et ocr_ratio dans votre pipeline.

Questions techniques

Comment marquer les pages PDF qui ont besoin d'OCR ?

Envoyez text_layer comme un tableau non vide de booléens dans l'ordre des pages (true = texte extractible, false = besoin d'OCR). L'API renvoie needs_ocr_pages, searchable_pages, les comptes, ocr_ratio et un summary.

Que se passe-t-il si text_layer est vide ?

La tâche échoue avec invalid_input. Une liste d'indicateurs vide ou absente est rejetée pour que le silence ne soit jamais lu comme « aucune page n'a besoin d'OCR ». Une validation en échec n'est pas facturée.

Combien coûte le marquage des pages PDF qui ont besoin d'OCR ?

L'outil navigateur est gratuit. Les requêtes API utilisent le solde prépayé KIT à $0.002 par appel réussi ; une entrée invalide n'est pas facturée.

Consulter la documentation complète du KIT →

Lancer gratuitement

Ce que signifient les indicateurs de couche texte et pourquoi l'OCR par page compte

Là où ce repérage page par page est utile

Cas d’usage

Listes de travail d'OCR sélectif

Tickets de remédiation d'accessibilité

Questions fréquentes

Outils associés

Pour les développeurs — accès API

Endpoint

Appeler depuis votre stack

Exemple de requête

Exemple de réponse

Tarifs

Limites

Erreurs

Notes techniques

Ce que signifient les indicateurs de couche texte et pourquoi l'OCR par page compte

Contrat d'entrée, forme de la réponse et erreurs de liste vide

Où une API d'indicateurs de pages à OCR apporte sa valeur

Cas d'intégration

Réception et préparation à l'index

Questions techniques

merci