OCR (光学文字認識) は、ページの画像の中の文字を読み取り、コンピューターで検索できる文字に変えます。スキャンした PDF はただの画像なので、検索も、文の選択も、数字のコピーもできません。OCR の後ならできます。このツールはブラウザ内で OCR を行い、ページ数の制限はなく、文書がアップロードされることはありません。
スキャンした PDF を検索可能に
元のページはそのまま残るので、結果はスキャンとまったく同じ見た目です。画像の下には、認識した言葉の見えない層が各単語の位置に置かれるので、検索すると正しい場所がハイライトされ、文字を選ぶと見えている言葉が選択されます。PDF にすでに文字があるか確かめるには、1 行を選択してみてください。選択できなければ OCR が必要です。
OCR の言語を選ぶ
文字認識では、どの文字体系や言葉が出てくるかを知っておく必要があります。そのため、文書に印刷されている言語をすべて選んでください。たとえば 2 か国語の書類なら英語とスペイン語です。日本語、中国語、韓国語、アラビア語、ヘブライ語、ヒンディー語など、100 以上の言語を使えます。各言語は 1 回だけダウンロードされ (ふつうは数 MB)、その後はブラウザに保存されます。サイズは開始前に表示されます。文書にない言語を選ぶと、認識が遅くなり精度も下がります。
OCR の精度を左右するもの
印刷された文字を 300 dpi できれいにまっすぐスキャンしたものなら、ほぼすべての言葉が正しく読み取れます。スマートフォンのぼやけた写真、低い解像度、傾いたり丸まったりしたページ、薄い印字、色付きの背景、珍しいフォント、罫線の詰まった表では精度が下がります。手書き文字はほとんど認識されません。詳細設定で解像度を上げると、時間はかかりますが小さな文字に効果があります。頼りにする名前や数字は必ず確認してください。
しくみ
各ページはブラウザ内で画像として描かれ、オープンソースの OCR エンジン Tesseract が端末の上で読み取ります。見つかった言葉とその位置は、見えないテキスト層として PDF のコピーに書き込まれ、テキストファイルにもまとめられます。ノートパソコンなら 1 ページ数秒で処理でき、スマートフォンではもっと時間がかかります。長い文書は時間がかかりますが制限はなく、開始前の目安で見通しが立ちます。
主な使い道と、うまくいかない場合
スキャンした契約書や手紙、古い本や論文、経理用のレシートや請求書、学校の配布資料、アーカイブの記録、後でパソコンで検索したいあらゆるもの。
- レイアウトは再構成されません。 検索できる PDF は元の見た目のままで、テキストファイルはプレーンテキストです。文書を編集するには、その後で PDF をワードに を使ってください。
- 手書き文字 はほとんど認識されません。
- すでに文字がある PDF には OCR は不要です。その文字を取り出すには PDF をテキストに を使ってください。
- スマートフォンでは、長い処理の間は画面をつけたままタブを開いておいてください。そうしないとブラウザが処理を一時停止します。