PDFをOCR オンラインで無料

PDFのOCRについて

OCRは光学文字認識を意味します。この技術は画像からテキストを読み取ります。画像はスキャン・写真・スクリーンショットのいずれでもかまいません。紙の契約書をフラットベッドでスキャンすると、できあがるPDFは各ページを絵として保存します。それらのページのテキストは単なるピクセルです。検索できません。コピーできません。スクリーンリーダーも読めません。OCRは画像を処理します。エンジンが文字を検出します。出力はページの上に見えない形で存在するテキストレイヤーです。

結果は両方の長所を兼ね備えます。見た目のページは元のスキャンとまったく同じです。Cmd/Ctrl-Fで単語が見つかるようになります。文章をハイライトしてコピーできます。PDFはアクセシビリティツールで機能します。PDFNoobは最新のTesseract級エンジンを使います。エンジンは100以上の言語に対応します。多段組み・表・複数文字体系が混在する文書を扱えます。テキストレイヤーは下にあるグリフに揃います。

PDF OCR と PDF→テキスト：どちらが必要？

これはほとんどの人がつまずく質問です。PDFからテキストをコピーして何も取れないなら、そのPDFは画像だけです。検索可能にするにはまずOCRが必要です。コピーが問題なくできて、テキストを.txtファイルに出したいだけなら、OCRは不要です。代わりにPDF→テキストを使います。手早い確認法：PDFを開いてカーソルで単語を選択してみます。単語がハイライトされればデジタルテキストです。四角い選択枠しか描けなければ画像です。それがOCRの領域です。

OCRの精度に影響するもの

• スキャン品質: 300 DPIのフラットベッドスキャンが最良の結果を出します。200 DPI未満では精度が急落します。
• 照明と傾き: 写真スキャンで高精度を得るには、均一な照明とほぼ正対した構図が必要です。
• 言語の一致: 正しい文書の言語を選びます。英語モードでフランス語（またはその逆）を処理すると精度は大きく下がります。
• フォントと書体: 標準的な印刷フォントが最も簡単です。手書きや装飾書体が最も難しいです。