ドキュメントをスキャンしてWordに変換し、結果を開くと、白紙のページ、埋め込まれた1枚の画像、または文字化けしたテキストだけが表示されることがあります。これは最もよくあるPDFのフラストレーションの1つで、その原因はほぼ常に同じものです。PDFには実際のテキストではなくスキャン画像が含まれているのです。
ネイティブPDFとスキャンPDF:重要な違い
PDFファイルには、根本的に異なる2種類があります。
- ネイティブ(デジタル)PDFは、Word、Google Docs、Acrobat、またはプリントドライバーなどのソフトウェアによって作成されます。テキストはファイル内に実際の文字データとして保存されています。この種のPDFをWordに変換すると、コンバーターは文字を直接読み取ります。結果は通常正確で、書式もほぼ維持されます。
- スキャンPDFは、ページの写真です。スキャナーが画像を取り込み、PDFソフトウェアがその画像をPDFの封筒に包み込みます。内部にはテキストデータがなく、ピクセルだけが存在します。このファイルを開くPDFからWordへのコンバーターが見るのは、文字ではなく画像です。画像から編集可能なテキストを作り出すことはできません。
どの種類のPDFかを見分ける方法
PDFを開いて、カーソルで単語を選択してみてください。個々の単語をハイライトしてクリップボードにコピーできる場合は、ネイティブPDFです。カーソルでページ全体が1つのブロックとして選択される場合、または何も選択できない場合は、スキャンPDFです。
必要なもの：OCR
スキャンPDFを編集可能なテキストに変換するには、OCR（光学式文字認識）が必要です。これは画像を解析して文字、単語、段落構造を識別するソフトウェアです。OCRは、Wordへの変換の前、または変換の代わりに、別のステップとして実行されます。
スキャンPDFをOCRできるツール：
- Google ドキュメント- PDFをGoogleドライブにアップロードし、右クリック -> Google ドキュメントで開く。Googleが自動的にOCRを実行します。品質は様々ですが、鮮明にスキャンされたきれいな文書には良好な結果が得られます。
- Adobe Acrobat Pro- ツール -> スキャンを編集可能に -> テキストを認識。 正確な結果が得られますが、有料サブスクリプションが必要です。
- Microsoft OneNote- PDFをプリントアウト画像として挿入し、右クリックして ->「画像からテキストをコピー」を選択します。ページごとに処理でき、書式は保持されません。
ドキュメントをOCR処理した後なら、はるかに良い結果でWordに変換できます。PagivoのPDF to Wordツールを、編集可能なDOCXが必要な場合はOCRステップの後に使用してください。
最高のOCR結果を得るには
OCRの精度はスキャン品質に大きく依存します。OCRが文字化けした出力を生成する最も一般的な3つの理由：
- 解像度が低すぎる。150 DPI未満では文字認識の信頼性が低下します。安定して良好な結果を得るには、300 DPIが実用上の最小値です。
- ページの傾き。わずか2度の傾きでも文字境界の検出が曖昧になります。ほとんどのスキャナーソフトには自動傾き補正(オートデスキュー)機能があるため、利用可能であれば有効にしてください。
- 手書きのコンテンツ。OCRは印刷されたテキストを対象に訓練されています。手書き文字の認識は別の、はるかに難しい問題です。標準的なOCRツールでは、手書きのページに対して低品質な出力しか得られません。
編集ではなく検索のみが必要な場合
ドキュメント内のテキストを編集ではなく検索したいだけであれば、Wordに変換する必要はまったくありません。その場合の目標は、テキストを新しい形式に抽出することではなく、画像の上に隠しテキスト層を追加してPDFを検索可能にすることです。PDFにテキスト層があれば、ほとんどのPDFビューアーでCtrl+Fが正常に機能します。さらに、以下も利用できます。PDFに質問するそして、検索可能なOCR PDFを作成するよう指示します。
ツールよりも元のスキャン品質が重要である理由
どんな変換ソフトウェアも、スキャナーが捉えていなかったディテールを復元することはできません。色あせたコピーの不鮮明なスキャンや露出不足のスキャンは、どのツールを使用しても低品質なWord出力しか得られません。最も効果の高い改善方法は、原本が手元にある場合には、常に高い解像度とより良い照明条件で文書を再スキャンすることです。