PDF と画像の OCR：精度の高いテキストを得る方法

光学文字認識（OCR）は画像やスキャンページに含まれる文字の形を読み取り、選択・コピーが可能な実際のテキストデータへと変換する技術です。

OCR が実際にすること

スキャンされたページやドキュメントの写真は単なる画像、つまり文字や単語の概念を持たないピクセルのグリッドに過ぎません。OCR はそのグリッドを分析して文字の形を認識し、見つけたテキストをページ上の各認識単語の位置とともに出力します。

検索可能な PDF とテキスト抽出の違い

OCR PDF は元のページ画像の上に見えない検索可能なテキスト層を追加するため、ページはスキャンとまったく同じように見えながら、その下のテキストはどの PDF ビューアでも選択・検索できます。Image to Text はページ画像なしで認識したテキストだけを抽出します。単語だけが必要なときに使います。

言語と自動検出

認識は 95 以上の言語に対応しています。言語はページごとに自動検出でき、複合言語の文書に便利です。または文書の内容が分かっている場合は 1 つまたは複数の言語を手動で選択できます。テキストが少なく言語を確実に検出できない短い文書や変わった文書では、手動選択の方が自動検出より精度が高い傾向があります。

スキャン品質のヒント

ページは 300 dpi で読み取られ、これは標準的な印刷テキストの適切な基準です。いくつかの習慣が精度に大きな違いをもたらします。

• ページをまっすぐに保つ。斜めのテキストは認識精度を著しく低下させます。
• 均一な照明を使用し、コントラストが低いと文字の形が判別しにくくなるためページ全体の影を避ける。
• 低解像度のスマートフォン写真に頼らず 300 dpi 以上でスキャンする。
• 可能であればスキャン前に丸まったり折れたりしているページを平らにする。

複数言語が混在する文書

2〜3 言語が混在するページでは、自動検出に頼らずすべての関連言語を手動で選択してください。自動検出はページ単位で機能し、そのページのごく一部にしか出てこない言語を見逃す可能性があります。

テーブルとフォーム

OCR はテーブルセルやフォームフィールド内のテキストを認識しますが、特に細い罫線や変わったレイアウトでは元のグリッド構造を完全に保持できないことがあります。数字のテーブルは誤認識した数字が視覚的に見逃しやすいため、念入りに確認してください。

手書きの限界

手書きでは認識精度が大幅に低下し、小さい活字・装飾的なフォント・低コントラスト・傾いたページではさらに低下します。丁寧な活字体の方が筆記体よりも認識率が高いですが、このサービスのどの OCR ツールも手書きメモの人間による転記の信頼できる代替にはなりません。

結果の確認

OCR の出力は、特に数字・氏名・細かい文字のテキストについて、必ず元の文書と照合して抜き取り確認をしてください。変換されたページをさっと見るだけで、ほとんどの認識エラーが下流で問題を起こす前に発見できます。

適切なツールの選び方

最終ファイルが元のスキャンのように見えながら検索可能になる必要があるなら OCR PDF を使います。ページ画像なしで認識した単語だけが必要なら Image to Text を使います。スキャン文書に見出し・リスト・テーブルなど Markdown として保存する価値のある構造がある場合は Scan to Markdown を使います。詳しくは PDF to Markdown guide を参照してください。最終目標が平文ではなく編集可能な文書なら PDF to Word を使います。どのツールを選んでも、最初のページの出力を元文書と照合する簡単な手動確認が、その文書に合った設定が正しかったと確かめる最速の方法です。