スキャンしたPDFをOCRでテキスト認識する方法
要点: OCRはページの見た目を変えません。画像の上に見えないテキストレイヤーが重なり、検索とコピーが使えるようになります。すでにテキストを含むページはスキップされます。品質モードの実体は描画解像度で、高速は100 DPI、高精度は300 DPIです。
グループ
ハウツーガイド
ハウツーガイド: PDF guidance for reliable document processing and quality checks.
メインツール
オンラインPDF OCR
この記事からツールを開き、今の言語のまま処理できます。
ツールを開く目次
PDFのテキスト認識:スキャン文書に何が起きるのか
スキャンした文書は、見た目も読み心地も文書そのものですが、プログラムから見ると単なる画像です。検索はできず、契約書の番号をコピーすることもできません。テキストの有無を確認する受付フォームでは、空のファイルとして弾かれてしまいます。
テキスト認識はまさにこの問題を解決します。その方法は、ファイルの中身を何も書き換えないという点で、知っておく価値があります。
ファイルに実際に追加されるもの
ページの画像には手を加えません。その上に2枚目のレイヤーが重なります。画像内の文字がある位置に、対応するテキストを置き、見えない状態にしたものです。
結果の性質はすべてここから決まります。見た目は元のファイルと区別がつきません。紙の質感も、押された印鑑も、傾いていればその傾きもそのままです。一方で、検索では単語が見つかり、ダブルクリックで行を選択でき、コピーすれば本物のテキストが得られます。
この仕組みは、見た目が重要な文書でも安心して使える理由でもあります。署名入りの契約書をスキャンしてOCRにかけても、署名も含めて同じスキャンのままで、検索できるようになるだけです。
すでにテキストを含むページはスキップされる
処理の前に、すべてのページでテキストレイヤーの有無を確認します。テキストレイヤーがあるページは、認識の対象になりません。
これには実用上の利点が二つあります。
一つ目は、混在した文書でも手間なく正しく処理されることです。ファイルの一部をエディターで作成し、残りをスキャン画像として貼り付けた場合、認識されるのは後者だけです。入力したテキストは、認識結果のコピーに置き換えられず、元のまま残ります。元のテキストは正確ですが、認識したテキストには誤りが含まれるため、これは重要です。
通常のテキストPDFにOCRをかけても、ほとんど何も起こらず、何も壊れません。目の前の文書がスキャンかどうかわからないときは、そのままツールに通せば済むので便利です。
処理にかかる時間も同じ考え方で決まります。時間を左右するのは文書の総ページ数ではなく、テキストを持たないページの数です。200ページのレポートにスキャンが5ページ紛れていれば、5ページ分の時間で終わります。
3つの品質モードは3つの解像度
品質の選択で変わるのは一点だけで、認識の前にページを描画する解像度です。
| モード | 解像度 | 選ぶ場面 |
|---|---|---|
| 高速 | 100 DPI | 大きくはっきりした文字、ざっと確認したいとき |
| バランス | 150 DPI | 一般的な文書、契約書、証明書 |
| 高精度 | 300 DPI | 小さな文字、脚注、状態の悪いコピー |
初期設定はバランスモードなので、覚えておいてください。150 DPIあれば見出しや本文には十分ですが、小さな脚注、表の中の数字、印鑑は、高精度モードに比べると認識結果が劣ります。
基準は単純です。自分で目を凝らして読むような箇所が文書にあるなら、高精度モードを選びます。時間はかかりますが、やり直しの手間が省けます。
言語:自動は2言語を同時に認識する
英語とロシア語が選べるほか、自動モードがあります。
自動モードは言語を推測するわけではありません。文書を両方の言語で同時に認識します。一方の言語の文章に、もう一方の言語の名前、コード、用語が混ざっているテキストに向いています。代償として処理速度が落ち、単一言語のテキストでは精度がわずかに下がります。
文書全体が1つの言語なら、その言語を指定したほうが、結果は少し良くなり、処理も速くなります。
選んだ言語が使えない場合でも、認識は失敗しません。インストールされている言語で実行し、指定した言語と実際に適用した言語の両方を示す警告を別に表示します。この警告は閉じずに読んでください。気づかないうちに言語が差し替えられていれば、結果がおかしい理由として、どんな推測よりも筋が通ります。
他の言語の文書についても触れておきます。ラテン文字は英語パックで認識できますが、その過程で発音区別符号が欠けたり崩れたりします。フランス語やドイツ語の文書は読める程度に出力されますが、アクセントには誤りが出ます。ラテン文字とキリル文字以外の文字体系には、まったく対応していません。
認識の実行手順
1. オンラインPDF OCRを開き、文書をアップロードします。 2. 言語を選びます。混在したテキストなら自動、単一言語なら具体的な言語を指定します。 3. 文書に小さな文字がある場合は、高精度モードに設定します。 4. 処理を実行し、結果をダウンロードします。 5. ファイルを開き、スキャンに載っているとわかっている単語を検索します。これが最も手早い確認方法です。
傾き補正とそのコスト
認識の前にページの傾きを直す設定が、別のスイッチとして用意されています。初期設定ではオフで、それには理由があります。
傾き補正は、ページの一時的なコピーに対して適用されます。認識はこのコピーを読み取りますが、テキストレイヤーは補正されていない元のページに重ねられます。大きく傾いたスキャンでは、そのためにずれが生じます。見えないテキストが、見えている文字に対して回転した位置に置かれるのです。
検索には影響しません。単語はきちんと見つかります。影響が出るのはマウスでの選択です。選択範囲が文字から離れた位置に表示され、一節をコピーするのが面倒になります。
元のページに手を加えないために、この割り切りを意図的に選んでいます。傾きがひどい場合は、認識の前に文書を直すほうが確実です。直角単位の回転ならPDFを回転 オンラインを使います。本格的な傾き補正が必要なら、PDFにスキャン オンラインでスキャンを作り直してください。
認識にできないこと
元の品質は改善されません。ぼやけた写真、行にかかった照明の反射、ページの半分に落ちた手の影は、すべてそのまま残ります。そうした箇所を認識しても、意味のない文字列になるか、読み飛ばされます。
手書き文字は読み取れません。このツールは印刷された文字を対象に作られています。
法的な効力を持つテキストは生成しません。認識したレイヤーには誤りが含まれるため、文書の写しとして使うことはできません。用途は検索と、テキストレイヤーを求めるシステムへの対応であり、引用には向きません。
また、解像度を復元することもできません。元のスキャンが75 DPIで作られていた場合、高精度モードでは300 DPIで描画しますが、文字が増えるわけではなく、ぼやけた画像が大きくなるだけです。認識の品質を決めるのは設定ではなく、元のデータです。
一連の処理のどこで認識するか
順序は思っている以上に重要です。ルールは一つで、圧縮の前に認識します。
認識はページの画像を元に行われます。PDFを圧縮 オンラインで圧縮すると、その画像が劣化します。解像度が下がり、文字の周りにノイズが出ます。逆の順序にすると、テキストの誤りが目に見えて増え、あとから直す手段も残りません。
結合や回転も、認識の前に済ませてください。どのページが存在し、どの向きになっているかが変わるうえ、テキストレイヤーは特定のページに結び付いているからです。
テキストレイヤー付きのファイルではなく、テキストそのものを別のファイルとして取り出したい場合は、PDFをテキストに変換 オンラインを使います。内容をページごとに区切ったプレーンテキストのファイルとして抽出します。
著者
サービスチームが作成し、Sergey Gaginがサービスの責任者を務めています。
よくある質問
このグループの他の記事
ハウツーガイド
PDFを編集可能なWordに変換する方法
Wordで開けたのにカーソルがテキストに入らない? 初期設定だと画像になる理由、フローと完全コピーの違い、ヘッダーが消える仕組みを解説します。
ハウツーガイド
PDFの表をExcelに抽出する方法
PDFからExcelへ。ブックに入るシート、3つの検出モードの実際の違い、ゆるやかモードが表を多く見つける代わりに単語を分割してしまう理由を解説します。
ハウツーガイド
PDFのページを抽出して新しいファイルにする方法
必要なページだけを別のPDFとして取り出す方法。2つの出力モードの違い、アーカイブ内のファイルが元のページ番号を保つ理由、サイズ保持をオフにした場合の動作を解説します。
関連ツール
オンラインPDF OCR
スキャンPDFに検索・コピーできるテキスト層を追加します。OCRの言語や品質を選び、認識結果を確認してください。
PDFをテキストに変換
PDFのテキストをプレーンテキストのファイルに抽出して、書式やレイアウトなしで内容をコピーできるようにします。
PDFを圧縮
メール送信やアップロードフォームのために、PDFのサイズを小さくします。プリセットまたは目標サイズを選び、共有する前に読みやすさと完成したファイルサイズを確認してください。
PDFを回転
スキャンや一部のページが横向きや逆さまになっているときに、PDFのページの向きを直します。