スキャンしたPDFを検索できるようにするには？
スキャンしたPDFは、いわば写真の束です。人は読めても、パソコンには読めません。検索しても何も見つからず、文字を選択しようとするとページ全体が画像として選ばれてしまいます。OCRは各ページの文字を認識し、パソコンが理解できるテキストとして保存することで、この問題を解決します。
ファイルを選び、書かれている言語にチェックを入れ、出力は検索可能なPDFのままにします。ツールは各ページを高解像度で描画して文字を認識し、元のページの文字の位置にぴったり合わせて見えないテキストの層を配置します。できあがったファイルはどのPDFリーダーでも開けます。見た目はスキャンとまったく同じですが、検索、文字の選択、コピーができるようになり、パソコンのファイル検索でも中身の言葉でヒットするようになります。
スキャンした書類の中にWordで作った表紙が1枚だけ入っている場合など、すでに本物のテキストがあるページはそのまま残すので、同じ文字が二重になることはありません。
ヒント： チェックを入れるのは、文書に実際に含まれている言語だけにしましょう。言語を増やすほど認識が少し遅くなり、エンジンが別の単語と取り違える可能性も増えます。
スキャンPDFをテキスト化するには？
出力に**テキストファイル（.txt）**を選びます。全ページの文字が入った1つのテキストファイルができあがり、ページの区切りには空行が入ります。スキャンした手紙の一部を引用したいとき、文書を翻訳したいとき、古い報告書の数字を表計算ソフトに移したいときに便利です。
レイアウトを保ったまま編集したい場合は、検索可能なPDFにしたあとでPDFをWordに変換するのが次のステップです。Wordから書き出したPDFのように、もともとスキャンではないファイルならOCRは不要です。PDFからテキストを直接抽出したほうが速く、正確です。
スキャンやスマホで撮った写真のOCR精度は？
印刷された文字をまっすぐきれいにスキャンしたものなら、たいていとても良く認識できます。読み取りにくい原稿では精度が下がるので、エンジンが苦手なものを知っておくと役に立ちます。
- 解像度が低い。 300dpiでスキャンしましょう。拡大してぼやけて見える文字は推測になります。
- 傾いたページ、たわんだページ。 本の綴じ目付近や斜めに撮ったスマホ写真は、行の検出を狂わせます。先にまっすぐに直してください。
- 手書きの文字。 エンジンは印刷された活字で学習しています。丁寧な楷書なら読める場合もありますが、崩した手書きはほぼ認識できません。
- 印鑑、透かし、色付きの背景。 その上に重なった文字は、背景と区別しにくくなります。
- 表や段組み。 文字は見つかりますが、.txtファイルでは読む順番が段をまたいで飛ぶことがあります。
日本語の書類では、縦書きの文書より横書きの文書のほうが安定して認識できます。どの場合も、名前や数字、金額は使う前に必ず結果を確認してください。
機密書類をオンラインでOCRしても安全？
このツールなら安全です。書類がアップロードされないからです。多くのオンラインOCRサービスは、ファイルをサーバーに送ってそこで認識し、しばらくコピーを保管します。このページは逆に、認識エンジンと言語データをブラウザにダウンロードし、作業はすべてお使いのスマホやパソコンの中で行います。
ご自身で確かめることもできます。OCRを実行しながら、ブラウザの開発者ツールでネットワークタブを開いてみてください。初回はエンジンのファイルが届くのが見えますが、PDFがどこかに送られることはありません。マイナンバーカードのコピー、確定申告の書類、銀行の取引明細、病院の書類、署名済みの契約書など、スキャンしがちな書類ほどこの違いが大切になります。
どの言語を認識できますか？
17の言語に対応しています（一覧はツール内に表示されます）。英語の条項が入った日本語の契約書や、日本の会社宛ての英語の請求書のように、複数の言語が混ざった文書なら複数にチェックを入れてください。モデルにはTesseractの言語データのうち精度の高い「best」版を、小さな整数形式に変換して使っているので、すばやくダウンロードでき、精度も保たれます。