OCR PDF

スキャンしたPDFは、写真を重ねただけのものです。検索することも、段落をコピーすることも、整理番号を貼り付けることもできません。PDForaのOCRツールは、本格的な文書処理の現場でも使われているオープンソースエンジンTesseractを用いてページ画像の中の文字を読み取り、検索・編集・再利用ができる.txtファイルとして認識結果を返します。

このOCRが他と違う点はここにあります。すべてブラウザ内で実行されるのです。オンラインのOCRサービスはほぼ例外なく、処理のためにスキャンをサーバーへアップロードします。当社は違います。認識はお使いの端末で行われるため、パスポートのスキャン、署名済みの賃貸借契約書、検査結果のページがどこかへ送信されることはありません。こうした書類にとって、それは付加価値ではなく本質そのものです。

現在、英語、ヒンディー語、スペイン語、フランス語の認識に対応しており、実行前に言語を選びます。無料で、登録も透かしもページ数の割り当てもありません。実際の処理を担うのはお使いのプロセッサなので、認識速度は端末の性能に左右されますが、最近のノートパソコンなら1ページあたり数秒程度です。

オンラインでPDFをOCR処理する手順

1. 最近のブラウザでPDForaのOCRツールを開きます。
2. スキャンしたPDFをドロップ領域にドラッグするか、クリックして端末内のファイルを選びます。
3. 書類の言語を選びます。英語、ヒンディー語、スペイン語、フランス語から選択できます。正しい言語を選ぶと精度が大きく向上します。
4. 「テキストを認識」をクリックし、Tesseractがブラウザ内でローカルに各ページを処理するのを待ちます。
5. ページの完了状況を進捗表示で確認します。長い書類ほど時間がかかります。
6. 抽出されたテキストを.txtファイルとしてダウンロードし、自由に検索、編集、コピーします。

When to use this tool

• 60ページのスキャンされた判決文からテキストを取り出し、全ページを読む代わりに特定の条項を検索する。
• 撮影した教科書のページから引用箇所を抽出し、研究論文で手入力せずに使う。
• 古い紙の請求書がまとまったファイルをデジタル化し、金額や請求書番号を検索できる記録にする。
• スキャンされたヒンディー語の官公庁通達を編集可能なテキストに変換し、翻訳や要約に使う。
• 印刷物しか残っていない書類をスキャンしてOCRにかけ、本文を復元する。
• 会議の配布資料や印刷済みのレポートをスクリーンショットで貼るのではなく、本文を取り出してメールで引用できるようにする。

Tips for the best results

• 手元にあるもっとも状態の良いスキャンを使いましょう。300 DPI、十分な明るさ、明るい背景に濃い文字という条件なら、暗いスマートフォン写真よりはるかに良い認識結果が得られます。
• まずスキャンの傾きを直しましょう。傾いたページは文字認識を狂わせるので、OCRの前にPDForaの傾き補正ツールにかけてください。
• 書類に合わせて言語設定を選んでください。スペイン語の手紙を英語のモデルで処理すると出力が崩れますし、その逆も同様です。
• スマートフォンや古いノートパソコンでは処理が遅くなることを見込んでおきましょう。エンジンは端末のプロセッサを使うため、100ページのスキャンは5年前のタブレットではなくデスクトップ向きの作業です。
• 数字は目視で確認しましょう。OCRは非常に優秀ですが完璧ではありません。口座番号や合計金額の数字は、当てにする前に一度は自分の目で確かめてください。