PDFをOCRしてスキャンを検索可能にする無料の方法
古い契約書や領収書の束をスキャンしてPDFとして保存し、数週間後に特定の条項や取引先の名前を探そうとすると、Ctrl+Fで検索しても何も見つからない——そんな経験はないでしょうか。これは、スキャンが単なる「文字の写真」だからです。コンピューターには、言葉ではなくピクセルしか見えていません。OCRはこれを解決し、平坦な画像を、実際に検索・コピー・再利用できる文書へと変えてくれます。
OCRがPDFに対して実際に行うこと
OCRは「光学的文字認識(optical character recognition)」の略です。ページ画像の中にある形を見て、それがどの文字や単語を表しているのかを判別し、そのテキストを隠れた層としてファイルに書き込みます。
巧みなのは、元のスキャンはそのまま一切変わらないという点です。認識されたテキストは、ページ画像の背後にある見えない層に配置され、目に見える内容とぴったり重なります。そのため、文書は最初のスキャンとまったく同じ見た目のまま、あらゆる単語が選択・検索・コピーできるようになります。見た目の品質は何も変わりません。
このたった一つの変化が、多くの可能性を解き放ちます。検索可能なPDFなら、どんな語句も数秒で見つけられ、打ち直す代わりに段落をそのままコピーでき、後で編集可能な文書に変換するなど、本物のテキストを必要とする他のツールへファイルを渡すこともできます。
スキャンしたPDFを検索可能にする方法
OCR PDFツールを使った手順の全体を紹介します。所要時間は約1分。会員登録もウォーターマークもなく、インストールするソフトウェアもありません。
- ツールを開く。 PDF168のOCR PDFにアクセスします。
- スキャンしたPDFを追加する。 ファイルをページ上にドラッグするか、クリックして参照し、お使いのコンピューターから選びます。このツールはスキャンPDFや画像のみのPDFに対応しています。
- 文書の言語を設定する。 文書に合わせてTesseractの言語コードを入力します。英語なら
eng、繁体字中国語ならchi_traといったコードです。言語を内容に合わせることが、精度を左右する最大の要因です。 - OCRモードを選ぶ。 ファイルの一部がすでにデジタルテキストの場合は、すでにテキストがあるページをスキップ(デフォルトで最も安全な選択)を選びます。「テキスト」ページに見えても実はスキャンだという場合は、すべてのページに強制的にOCRをかけるを使います。
- 実行する。 処理を開始します。お使いのファイルは暗号化された接続を通じて当社の安全なサーバーへアップロードされ、そこで1回の処理でページごとにテキストが認識されます。
- 検索可能なPDFをダウンロードする。 返ってきたファイルを保存します。見た目は以前と同じですが、すべての単語を検索・選択できるようになっています。
これで完了です。複数ページの文書も一度にまとめて処理され、1つのファイルとして返されます。
適切な言語とモードの選び方
いくつかの小さな選択が、ほぼ完璧な認識と、文字化けだらけの結果との分かれ目になります。
- 言語コードを合わせる。 OCRは、選んだ言語をもとにどの文字が現れやすいかを判断します。間違った言語を設定すると、アクセント付き文字やキリル文字、アジア系の文字が誤って認識されてしまいます。このツールは数十の言語に対応しているので、最も近いものを使いましょう。
- 複数言語が混在する文書。 1ページに2つの言語がある場合は、コードを組み合わせる(たとえば英語と別の文字体系)ことで、エンジンが両方を認識できるようになります。
- テキストをスキップする vs. 強制する。 テキストをスキップは本物のテキストにはそのまま手を付けず、画像ページだけをOCRします——混在ファイルに対して高速で無駄がありません。強制OCRはすべてを認識し直すので、「デジタル」のPDFが実はスキャンを装っている場合に適した選択です。
- 入力の質が、出力の質。 OCRは見えるものしか読み取れません。明るい場所で撮った鮮明な300 DPIのスキャンは、ぼやけたスマホ写真よりはるかに正確に認識されます。結果が思わしくない場合は、もう一度試す前に高解像度でスキャンし直しましょう。
検索可能なPDFで何ができるか
ファイルに本物のテキスト層が入ると、できることが大きく広がります。どのPDFリーダー内でも直接検索・コピーできます。画像の上に枠を描く代わりに、実際の単語をハイライトしたり注釈を付けたりできます。そして、選択可能なテキストを前提とする他のツールへ、そのファイルを渡すこともできます。
レイアウトは不要で、コピーできる素のテキストだけが欲しいなら、検索可能なファイルをPDF to Textに通せば、整ったプレーンテキストとして書き出せます。Wordで内容を編集したい場合の正しい順序は、まずOCR、その後にPDF to Wordです。OCRをかけずにスキャンをそのままWordへ変換すると、引き継ぐべきテキストが存在しないため、中身が空だったり文字化けした文書になってしまいます。
プライバシーについての注意
OCRは見た目以上に負荷の大きい処理です——すべてのページのすべての文字を認識するには、相応の計算能力が必要になります。そのため、このツールはブラウザ内ではなく当社のサーバー上で動作します。お使いのPDFは暗号化された(HTTPS)接続を通じて送信され、安全なサーバーで処理されて、お手元に返されます。処理後にファイルが保存・共有されたり、広告や学習に使われたりすることはなく、アカウントやメールアドレスも不要です。極めて機微な記録については、必要な検索可能版を入手したら、ローカルの作業用コピーを削除しておくのが、引き続き良い習慣です。
スキャンをデジタル化するには、かつては高価なデスクトップソフトウェアか、ページを手で打ち直す作業が必要でした。今では、OCR PDFにファイルを放り込み、言語を選ぶだけで、1分とかからずに完全に検索可能な文書をダウンロードできます——無料で、安全な接続を通じて。次に検索できないスキャンの山に直面したときのために、ブックマークしておきましょう。
よくある質問
OCRとは何ですか?スキャンしたPDFになぜ必要なのですか?
OCR(光学的文字認識)は、ページ画像の中にある文字を読み取り、本物の選択可能な文字に変換する技術です。スキャンは文字を写した「画像」にすぎないため、OCRがなければ一語も検索・コピー・ハイライトすることができません。
OCRをかけるとスキャンしたページの見た目は変わりますか?
いいえ。このツールは元のページ画像の背後に見えないテキスト層を追加するだけなので、スキャンの見た目はまったく同じまま、文字だけが検索・選択できるようになります。鮮明で高解像度のスキャンほど、認識精度の高い結果が得られます。
OCRを実行するとファイルはアップロードされますか?
はい。OCRには相応の処理能力が必要なため、お使いのPDFは暗号化された(HTTPS)接続を通じて当社の安全なサーバーへ送られ、認識処理を経てお手元に返されます。処理後にファイルが保存・保持されることはなく、アカウントやメールアドレスも一切不要です。