PDF OCR

スキャンPDFが作業を止めてしまう理由

取引先から契約書が返ってきた。ある条項を探したい。Ctrl+F を押して語句を入力する。ところが PDF は「該当なし」と返す——その語句は画面にはっきり見えているのに。

多くの人が PDF OCR を探し始めるのは、この瞬間です。ファイルが壊れているのではありません。最初からテキストを一切含んでいなかっただけです。

3ステップでPDFをOCRする方法

すべての処理はご自身の端末で行われます。順番待ちも、アップロードも、待機画面もありません。

1. 1

   スキャンしたPDFを開く

   上の枠にファイルをドラッグするか、端末から選んでください。ブラウザのタブに直接読み込まれます。アップロードという工程自体が存在しません。

2. 2

   文書の言語を選ぶ

   画面の表示言語ではなく、ページに実際に印刷されている言語を選んでください。エンジンはその言語パックを一度だけダウンロードし、以後はキャッシュします。

3. 3

   OCRを実行してダウンロード

   ページごとの進行を見ながらハイライトされた語句を確認し、検索可能なPDFかテキストを受け取ります。どちらもローカルで生成されます。

検索可能なPDFがあれば何ができるか

テキストレイヤーさえ入っていれば、その文書は使う場所すべてで、ようやく本物の文書として振る舞い始めます。

ブラウザ内PDF OCR と アップロード型OCRツールの比較

私的な文書ならローカル処理が正しい既定値ですが、代償がないわけではありません。以下は正直な比較です。

最後の2行は誇張ではありません。1998年のしわだらけのFAXが相手なら、調整された商用OCRサービスはオープンソースのエンジンに勝ちますし、500ページのファイルではサーバー群がノートPCに負けることはありません。文書が機密でなく、品質の悪いスキャンでの精度がプライバシーより重要なら、そちらを使うべきです。

関連ツール

同じ文書に対して、次のような操作もできます。

• PDF をテキストに — すでにテキストレイヤーがあるPDFから文字を抽出します。
• PDF を圧縮 — OCR後のスキャンを、テキストレイヤーを保ったまま軽くします。
• PDF を PNG に — 取り直す前に手を入れたいときは、ページを画像として書き出します。
• PDF をグレースケールに — ノイズの多いスキャンから色を落とすと、認識が良くなることがあります。
• PDF を結合 — 複数のスキャンページを1つの文書にまとめてから、まとめてOCRします。
• PDF 墨消し — スキャンが検索可能になったら、機密部分を完全に削除します。