OCR PDF：スキャンしたPDFを検索可能にする

PDFのOCRとは？

スキャナーやスキャンアプリで作ったPDFには、ページの写真しか入っていません。人間には文字が見えていても、ソフトにとってはただのピクセルです。そのため、Ctrl+Fで名前を検索したり、段落をコピーしたり、読み上げソフトで読ませたりできません。OCR（光学文字認識）は画像を解析して、そこに含まれる文字を読み取る技術です。このツールは認識したテキストを、各単語に位置を合わせた透明なレイヤーとしてPDFに追加します。見た目はまったく変わらず、ワープロから直接作ったPDFのように検索、選択、インデックス登録ができるようになります。

認識精度を上げるコツ

認識の精度は、まずスキャンの品質で決まります。300 dpiで明るく、白黒またはグレースケールでスキャンすれば、印刷された文字ならとても良い結果が得られます。ページは約300 dpiで読み取るので、少し軽めのスキャンでも余裕があります。文書に含まれる言語はすべて指定しましょう。日本語と英語が混ざった説明書なら両方を追加しないと、英単語や記号がうまく認識されにくくなります。手書き文字、印鑑、背景が複雑な文字はまだ苦手です。OCRのあとは、文書中の珍しい単語を検索して、正しく見つかるか試してみてください。

書類はあなたの端末から出ません

スキャンPDFには、本人確認書類、給与明細、契約書、処方箋など、大切な書類が多く含まれます。このツールでは、ファイルをブラウザ内で直接開いて読み取るので、サーバーに送信されることはありません。ダウンロードされるのは言語モデル（1言語あたり数MB）だけで、初回利用時に読み込まれたあとはブラウザにキャッシュされます。処理時間は端末の性能によって1ページ数秒〜20秒ほどで、いつでもキャンセルできます。検索可能になったPDFは、ほかのPDFツールで圧縮したり、Wordに変換したり、テキストを抽出したりできます。