PDFのOCR

スキャンしたPDFの文字を認識し、検索もコピーもできるファイルにします。

PDFのOCRは端末上で動くため、読み取った記録や資料は手元に留まります。初回だけ認識プログラムと言語のデータを公開CDNから取得しますが、ページの内容が送信されることはありません。

開発・運営：Udit Agarwal

検索できる結果をWordに変換する

PDFのOCR について

スキャンしたPDFは文書の写真です。人は読めますが、他の何ものも読めません。検索は何も見つけず、コピーは何も渡さず、文字を扱う道具はすべて手が出せません。文字認識はこれを解決します。字の形を読み取り、見つけたものを、印刷された語のちょうど上に重なる見えない層としてファイルに書き込みます。各ページは144 dpiまたは216 dpiの画像として描き直され、新しいファイルはその画像から作られます。見た目は元と同じですが、それより高い解像度のスキャンは選んだ解像度で戻り、リンクやフォームのフィールドは引き継がれません。その代わり、文書は検索でき、選択でき、変換できるようになります。認識はブラウザ内で、12の言語のいずれかで動きます。

機能

• 認識はブラウザ内で動き、ページがアップロードされることはありません
• ヒンディー語、ロシア語、中国語、日本語、アラビア語を含む12言語
• 見えない文字の層が、144 dpiまたは216 dpiで描き直した各ページの画像の上に重なります
• 小さな文字での速さと正確さを選べる2段階の読み取り品質
• 検索できるPDFに加えて、平文の書き出しも
• ページごとの進み具合と、長い文書のための停止操作
• 言語のデータは一度だけ取得され、ブラウザに保存されます

PDFのOCR の使い方

1. スキャンしたPDFをページに置きます
2. 紙面の言語と読み取り品質を選びます
3. 認識を始め、ページが進む様子を見ます
4. 検索できるPDF、または認識した文字だけをダウンロードします

例

入力

1987-minutes.pdf — 8 scanned pages, typewritten English

出力

1987-minutes-searchable.pdf — pages redrawn at 144 dpi, now with selectable text behind them.

ページは選んだ解像度で描き直され、見た目は同じまま、語がファイルの中に入りました。

よくあるエラーとトラブルシューティング

• 認識した文字に誤りが多いです。 — 認識はスキャンの質に左右されます。高いほうの品質を試し、言語が紙面と合っているか確かめてください。ドイツ語の紙面に英語のデータを当てると、まさにこうなります。
• 認識がとても遅いです。 — 本当に重い処理で、しかもサーバーではなくご自身のプロセッサで動いています。速いほうの品質を使い、長い文書は分けてください。
• 二か国語の文書がうまく認識されません。 — 一度の実行で使う言語は一つです。言語ごとに文書を分け、それぞれ認識して結果を結合してください。
• 手書きが認識されませんでした。 — これは印刷とタイプ打ちの文字を認識します。手書きにはまったく別種のモデルが要ります。

よくある質問

認識した文字はスキャンを置き換えますか。

いいえ。各ページは144 dpiまたは216 dpiで描き直した画像として残り、認識した文字はその背後に見えない形で加わるため、検索できるPDFは元と同じように見えます。ただしファイルはその画像から作り直されるので、より高い解像度のスキャンは選んだ解像度で戻り、リンクやフォームのフィールドは引き継がれません。

認識のためにスキャンしたページはアップロードされますか。

いいえ。認識はブラウザ内で動き、ページが外に出ることはありません。初回だけ、認識プログラムのファイルと言語のデータを公開CDNからダウンロードします。文書の内容は何も送信されず、言語のデータは次回のために保存されます。

一度に何ページ認識できますか。

一回の実行で30ページまでです。認識は十分に遅いので、長い文書はいくつかに分けたほうが扱いやすくなります。

どちらの品質を選ぶべきですか。

まず速いほうから始めてください。文字が小さい、スキャンが古い、最初の結果が乱れている場合に高いほうへ移ります。

すでに文字のあるPDFにOCRをかけられますか。

かけられますが、意味はありません。まず語を選択できるか試してください。文字があるなら、そのまま変換してください。

関連ツール

• PDF からテキスト — PDFから選択可能なテキストをプレーンテキストまたはMarkdownとして抽出します。
• スキャンしてPDFに — カメラを読取機として使い、ページをPDFに保存します。
• PDFをWordに — PDFを編集できる .docx として組み直します。
• PDFをExcelに — PDFの表を .xlsx ブックまたはCSVに取り出します。
• PDFをHTMLに — PDFを、整った検索できるHTMLに変換します。
• PDF を圧縮 — 各ページを選択した画質・解像度でJPEGに再描画してPDFを軽量化します。
• PDFの要約 — 長いPDFを節ごとに、端末上で要約します。

PDFの他のツール

• PDFに署名 — 手書きのサインを描いてページに配置し、氏名と日付も添えられます。
• PDFフォームに入力 — 入力可能なPDFに記入し、そのままか固定して保存します。
• PDFから画像を抽出 — 埋め込まれた写真やロゴを、保存されている解像度のまま取り出します。
• ベイツ番号 — 複数のPDFに接頭辞つきの連番を押し、対応表も書き出します。
• PDFのページを反転 — ページを左右に鏡像化したり、上下に反転したりします。
• PDFをサイズで分割 — 各部分がサイズの上限を超えないようにPDFを切り分けます。
• PDFのページを半分に切る — スキャンした見開きを単ページに分けます。
• PDFをしおりで分割 — 書籍や報告書を、その文書自身の目次の位置で切り分けます。
• PDFを文字列で分割 — ページに語句が現れるたび、新しいファイルを始めます。
• PDFを指定サイズに圧縮 — 100 KB、200 KB、2 MBなど、正確な目標の下に収めます。
• PDFを手書き風に — PDFの語を手書きのページとして書き直します。
• テキストを手書き風に — 打った文字を手書きのページに変え、PDFや画像で保存します。

PDFのツールをすべて見る (85) · すべてのツール