PdfOcrExtraction@1

Der Node PdfOcrExtraction@1 wird verwendet, um Text und Daten aus PDF-Dateien mittels optischer Zeichenerkennung (OCR) zu extrahieren. Dieser Node verwendet IronOCR zur Verarbeitung von PDF-Dokumenten, einschließlich gescannter Dokumente, und kann Text, Tabellen und Barcodes extrahieren.

Adapter-Voraussetzungen

• Mesh Adapter

Node-Konfiguration

Für die Felder path, targetPath, targetValueWriteMode und targetValueKind siehe Überblick.

transformations:
  - type: PdfOcrExtraction@1
    path: $.PdfContent # The path to the base64-encoded PDF content
    targetPath: $.ExtractedText # The path where the extracted text will be stored
    targetValueWriteMode: Overwrite # The target value write mode
    targetValueKind: Simple # The target value kind
    pageNumbers: # Specific page numbers to process (optional, if not set all pages will be processed)
      - 1
      - 2
      - 5
    language: "en" # OCR language code (e.g., 'en', 'de', 'fr', default: "en")
    extractTables: false # Whether to extract tables from the PDF (default: false)
    tablesOutputPath: $.Tables # Output path for extracted tables (default: $.Tables)
    extractBarcodes: false # Whether to extract barcodes from the PDF (default: false)
    barcodesOutputPath: $.Barcodes # Output path for extracted barcodes (default: $.Barcodes)
    includeConfidence: false # Whether to include OCR confidence score in output (default: false)
    confidenceOutputPath: $.Confidence # Output path for OCR confidence score (default: $.Confidence)
    continueOnError: false # Whether to continue processing if OCR extraction fails (default: false)
    maxFileSizeBytes: 10000000 # Maximum accepted PDF size in bytes (default: 1000000 = 1 MB)

Konfigurationsparameter

Parameter	Typ	Erforderlich	Standard	Beschreibung
pageNumbers	int[]	Nein	Alle Seiten	Bestimmte zu verarbeitende Seitenzahlen
language	string	Nein	en	OCR-Sprachcode
extractTables	bool	Nein	false	Ob Tabellen aus dem PDF extrahiert werden sollen
tablesOutputPath	string	Nein	$.Tables	Ausgabepfad für extrahierte Tabellen
extractBarcodes	bool	Nein	false	Ob Barcodes aus dem PDF extrahiert werden sollen
barcodesOutputPath	string	Nein	$.Barcodes	Ausgabepfad für extrahierte Barcodes
includeConfidence	bool	Nein	false	Ob der OCR-Konfidenz-Score einbezogen werden soll
confidenceOutputPath	string	Nein	$.Confidence	Ausgabepfad für den OCR-Konfidenz-Score
continueOnError	bool	Nein	false	Ob fortgesetzt werden soll, wenn die Extraktion fehlschlägt
maxFileSizeBytes	int	Nein	1000000	Maximal akzeptierte PDF-Größe in Bytes; größere Dateien brechen den Node mit einem File too large-Fehler ab. Erhöhen Sie den Wert für Pipelines, die reale Scans verarbeiten

Unterstützte Sprachen

Der Node unterstützt die folgenden Sprachcodes für OCR:

• en oder english – Englisch
• de oder german – Deutsch
• fr oder french – Französisch
• es oder spanish – Spanisch
• it oder italian – Italienisch
• pt oder portuguese – Portugiesisch
• nl oder dutch – Niederländisch
• ru oder russian – Russisch
• zh oder chinese – Chinesisch (vereinfacht)
• ja oder japanese – Japanisch
• ko oder korean – Koreanisch
• ar oder arabic – Arabisch

Eingabeanforderungen

• Die Eingabe muss ein base64-codierter PDF-Dateiinhalt sein
• Maximale Dateigröße: konfigurierbar über maxFileSizeBytes (Standard: 1 MB / 1.000.000 Bytes)
• Der PDF-Inhalt muss am angegebenen path verfügbar sein

Ausgabestruktur

Der Node kann je nach Konfiguration mehrere Ausgaben erzeugen:

1. Haupttextausgabe (targetPath): Der aus dem PDF extrahierte Text
2. Tabellen (tablesOutputPath): Strukturierte Tabellendaten, wenn extractTables aktiviert ist
3. Barcodes (barcodesOutputPath): Barcode-Daten, wenn extractBarcodes aktiviert ist
4. Konfidenz-Score (confidenceOutputPath): OCR-Konfidenzprozentsatz, wenn includeConfidence aktiviert ist

Fehlerbehandlung

• Ist continueOnError auf false gesetzt (Standard), stoppt die Pipeline, wenn die OCR-Extraktion fehlschlägt
• Ist continueOnError auf true gesetzt, werden Fehler protokolliert, die Pipeline läuft aber weiter
• Häufige Fehler sind: fehlender PDF-Inhalt, überschrittene Dateigröße, ungültige base64-Codierung oder Fehlschläge bei der OCR-Verarbeitung

Beispiel: Einfache Textextraktion

triggers:
  - type: FromHttpRequest@1
    path: /extract/pdf
    method: POST
transformations:
  - type: PdfOcrExtraction@1
    path: $.pdfData
    targetPath: $.extractedContent
    language: "en"

Beispiel: Text mit Tabellen und Konfidenz extrahieren

transformations:
  - type: PdfOcrExtraction@1
    path: $.documentPdf
    targetPath: $.text
    language: "en"
    extractTables: true
    tablesOutputPath: $.tables
    includeConfidence: true
    confidenceOutputPath: $.ocrConfidence

Beispiel: Bestimmte Seiten mit Barcode-Extraktion verarbeiten

transformations:
  - type: PdfOcrExtraction@1
    path: $.pdfContent
    targetPath: $.extractedText
    pageNumbers:
      - 1
      - 3
      - 5
    language: "de"
    extractBarcodes: true
    barcodesOutputPath: $.barcodes
    continueOnError: true

Hinweise zur Performance

hinweis

Die OCR-Verarbeitung kann rechenintensiv sein, insbesondere bei:

• Großen PDF-Dateien
• Dokumenten mit vielen Seiten
• Hochauflösenden gescannten Bildern
• Komplexen Layouts mit Tabellen und Grafiken

Erwägen Sie den Einsatz von pageNumbers, um die Verarbeitung auf bestimmte Seiten zu beschränken, wenn keine vollständige Dokumentextraktion erforderlich ist.