複数ページのレポートをスキャンしてPDFとして保存しました。ファイルを開いてCtrl+F(またはMacでは⌘+F)を押しても、何も見つかりません — 1ページ目にはっきり見える単語さえも。ドキュメントは画像であり、画像には検索可能なテキストが含まれていないのです。
スキャンされたPDFを検索可能にすると、画像の背後に不可視のテキストレイヤーが追加されます。このテキストレイヤーこそが、Ctrl+F、ドキュメント管理システム、そして検索エンジンが読み取るものです。ドキュメントの見た目はまったく同じままです。
OCRの仕組み
光学文字認識(OCR)ソフトウェアは、各ページのすべてのピクセルを解析し、文字、単語、レイアウト構造を識別します。その後、それらの文字を、対応する画像テキストと同じ位置にある隠しレイヤーに配置します。その結果、オリジナルのスキャンと同じ見た目でありながら、その下に実際の選択可能で検索可能なテキストを持つPDFが完成します。
PagivoでPDFを検索可能にする方法
- 開くAsk PDFをPagivoで開き、要求された場合はログインします。
- スキャンしたPDFをアップロードしてください。
- 次のようなリクエストを入力してください(例：このPDFをOCRで検索可能にする.
- クリック処理してダウンロード. PagivoはOCRを必要とするページに対してOCRを実行し、検索可能なテキスト層が追加されたドキュメントを返します。
- PDFビューアで検索結果を開き、Ctrl+Fを押してください。検索語が見つかるようになります。
精度に影響する要因
OCRは、きれいにスキャンされた文書に対して最も効果を発揮します。テキストレイヤーの精度に影響する要因はいくつかあります：
- スキャン解像度。300 DPIは、信頼性の高いOCRのための実用上の最小値です。それより低い解像度では、特に小さいテキストにおいて文字認識が不安定になります。
- ページのまっすぐさ。傾いたページや曲がったページは、文字の境界検出を混乱させます。このため、フラットベッドスキャナーはスマートフォンのカメラよりも一貫して良い結果を出します。
- 書体の明瞭さ。標準的な印刷フォントは非常に高い精度で認識されます。装飾フォント、非常に小さいテキスト（300 DPIで8pt未満に相当）、高度に圧縮されたスキャン画像は、より多くの認識エラーを生じさせます。
- 手書き文字。ほとんどのOCRエンジンは印刷テキストを対象に学習されています。 手書きのページでは、精度が低下するか、ほぼ使用に耐えない結果になる可能性がありますのでご了承ください。
検索だけでなく、内容を編集したい場合
OCRは検索可能なPDFを作成します - テキストは実際のものですが、ページ自体はまだスキャン画像のように見えます。 内容を編集する必要がある場合(名前の修正、日付の変更、表の再フォーマットなど)、 PDFを編集可能な形式に変換する必要があります。推奨されるワークフローは以下の通りです: まずOCRを実行して検索可能なPDFを作成し、次にそのPDFをWordに変換します。変換にはPDF to Wordを使用すると、最高の変換品質が得られます。
無料の代替手段としてGoogle Driveを使用する
Google Driveには無料で使えるOCR機能が組み込まれています。PDFをGoogle Driveにアップロードし、右クリックして 次を選択してください:Googleドキュメントで開く。GoogleがOCRを実行し、結果を編集可能なドキュメントとして開きます。ページの書式は保持されませんが、テキストは抽出されます。これは、元のレイアウトではなくテキスト内容だけが必要な短い文書に適しています。