OCRでできること
スキャンしたページは画像です。人間には読めても、コンピューターにはただの点の集まりにしか見えません。そのため、検索したり、文章をコピーしたり、スクリーンリーダーで読み上げたりすることができません。OCR(光学文字認識)は、画像の中から文字を見つけ出し、実際のテキストに変換する技術です。
検索可能なPDFでは、ページの画像はそのままに、その下に見えないテキストレイヤーを追加します。見た目は変わりませんが、Ctrl+Fで検索したり、テキストを選択してコピーしたり、パソコンや文書管理システムの検索で見つけたりできるようになります。プレーンテキスト(.txt)を選ぶと、認識したテキストだけが得られ、メールや文書にそのまま貼り付けられます。
対応言語
言語を指定すると、認識精度が大きく向上します。文書に含まれるすべての言語を最大4つまで選択してください。言語の数が少ないほど、認識は速く正確になります。対応言語は次のとおりです。
英語、スペイン語、ポルトガル語、フランス語、ドイツ語、イタリア語、オランダ語、スウェーデン語、デンマーク語、ポーランド語、チェコ語、スロバキア語、ハンガリー語、ルーマニア語、ギリシャ語、ロシア語、トルコ語、インドネシア語、ベトナム語、タイ語、中国語(簡体字)、中国語(繁体字)、日本語、韓国語。
認識結果を良くするオプション
- 傾きを補正(初期設定でオン):わずかに斜めにスキャンされたページをまっすぐに直します。認識精度が上がり、文書の見た目もきれいになります。
- スキャナーノイズを除去:状態の悪いスキャンから、汚れやゴミの点を取り除いてから認識します。
- すでにテキストがあるページ:そのまま残すは、テキストのないページだけを認識します。ほとんどのスキャンにはこれが適しています。OCRをやり直すは、古い、または不正確なテキストレイヤーを置き換えます。ラスタライズしてすべてOCRは、すべてのページを画像に変換して認識し直します。既存のテキストが文字化けしている場合に使用してください。
OCRの精度を上げるコツ
最も重要なのはスキャンの品質です。300 DPIでスキャンしてください。通常の文字なら200 DPIが最低ラインで、小さな文字にはさらに高い解像度が必要です。文字だけなら白黒またはグレースケールで十分です。スマートフォンで撮影した写真でも、ページが平らで、ピントが合い、均一に照明され、真上から撮影されていれば問題なく認識できます。印刷された文字は非常に高い精度で認識されますが、手書き文字は通常認識されません。表の内容は保持されますが、段組みの多い複雑なレイアウトでは、テキストファイルの読み順が異なる場合があります。
サーバー処理、制限、プライバシー
OCRは多くの計算能力を必要とするため、当社のサーバー上で、広く知られた2つのオープンソースツールであるOCRmyPDFとTesseractを使って実行されます。ファイルは暗号化されたHTTPS接続で送信され、処理後すぐに削除されます。結果は15分以内に削除されます。1つの文書につき、最大300ページ、100 MBまで処理できます。大きなスキャンは時間がかかります。ページには進行状況と順番待ちの状況が表示されます。
このサイトの他のツールでもOCRを利用しています。PDFからWordとPDFからExcelはスキャンされたページを自動的に認識し、DjVuからPDFでは結果を検索可能にできます。OCR後に容量の大きいスキャンPDFを小さくするには、PDF圧縮をご利用ください。