ハウツー
スキャンしたPDFを検索可能にする
スキャンしたPDFは普通の文書のように見えますが、実際にはページの写真です。Ctrl+Fでは何も見つからず、単語を1つも選択やコピーできません。PDF OCRツールは、ファイルの本質を変えずにこれを解決します。各ページ画像を読み取り、端末内のOCRエンジンで文字を認識し、認識したテキストを同じ画像の上に見えない形で重ねます。そのためPDFは以前とまったく同じ見た目と印刷結果を保ちながら、検索やテキスト選択に反応するようになります。ファイルが端末を離れることはありません。
手順
- PDF OCRツールを開き、スキャンしたPDFをドロップします。受け付けられるのはPDFファイルのみで、ファイルサイズの上限は80 MBです。一般的な複数ページのスキャンなら十分下回ります。
- ドロップダウンから文書の言語（英語、フランス語、ドイツ語、スペイン語、ポルトガル語、イタリア語）を選び、必要であれば出力ファイル名を編集します。デフォルトでは.pdf拡張子が自動的に維持されます。
- 実行をクリックし、すべてのページが処理されるのを待ちます。各ページは、次のページに進む前に描画され、OCRエンジンにかけられ、それぞれ独自の見えないテキスト層が付けられるため、長い文書は1ページの文書より時間がかかります。結果をダウンロードすると、開いた見た目や印刷結果は元と同じですが、Ctrl+F、テキスト選択、コピー&ペーストが機能するようになっています。
検索可能なPDFかプレーンテキストか：本当に必要なのはどちら
このツールとプレーンなOCRツールは、スキャンした画像内のテキストを認識するという同じ根本の問題を解決しますが、保持するものが異なります。OCRツールはページ画像を破棄し、プレーンな.txtファイルを返します。単語をエディタに貼り付けたり、翻訳したり、テキストとして検索したりしたいが、文書の元の見た目を保つことは気にしない場合に使ってください。ここのPDF OCRツールは元のPDFをページ画像も含めそのまま保ち、見えないテキスト層を下に追加するだけです。文書を印刷、メール送信、保管できるPDFのまま保ちたいが、そこから検索やコピーもできるようにしたい場合に使ってください。どちらのツールも、実際のフォントや表を伴う編集可能なテキストとしてレイアウトを再構築するわけではありません。両方とも同じ認識テキストを扱っており、パッケージの形が違うだけです。
結果がスキャンに左右される理由と限界
認識精度は、プレーンOCRと同じように元画像の品質に左右されます。200〜300 DPI程度のきれいでまっすぐなスキャンは信頼性高く認識されますが、ぼやけた写真や傾いたページ、強い影は誤読を多く生みます。ページが斜めに出てきた場合は、OCRを実行する前にPDF傾き補正ツールでまっすぐにし、認識ステップが水平なテキストを読めるようにしてください。このツールは6言語（英語、フランス語、ドイツ語、スペイン語、ポルトガル語、イタリア語）に対応しており、対応していない言語の文書は正しく認識されません。処理はブラウザのタブ内でページごとに行われるため、数十ページの文書は2ページのスキャンより目に見えて時間がかかり、ファイルサイズの上限は80 MBです。出力PDFはページ画像自体に手を加えないため、元のファイルとサイズが近い傾向もあります。そのあとファイルを小さくしたい場合は、PDF圧縮ツールにかけてください。
見えないテキスト層はどう作られるか
各PDFページはまずブラウザ内でキャンバス画像にラスタライズされます。PDF-to-imageツールが使うのと同じ描画ステップです。OCRエンジン（WebAssemblyにコンパイルされたTesseract）はその画像を読み取り、認識したすべての単語をバウンディングボックス（ページ上の位置）とともに返します。これらの単語は、認識された位置に元のPDFページのコピー上に描き戻されますが、不透明度はゼロです。そのため見た目は何も変わりません。表示・印刷されるページ画像はスキャンされたものと同じで、その上に重なっています。PDFビューアの検索・テキスト選択機能は、この見えないテキスト層だけを見ています。だからこそ見た目を変えずにファイルが検索・選択可能になるのです。描画、認識、再構成というこれらすべての処理は、ブラウザのタブ内で行われます。PDFはローカルディスクから読み込まれ、どこにも送信されません。
このガイドで使うツール
よくある質問
検索可能なPDFは元のスキャンとまったく同じ見た目・印刷結果ですか？
はい。ツールがページ画像を変更することは決してなく、その下に見えないテキスト層を追加するだけです。画面上でも紙の上でも、出力はドロップしたスキャンと視覚的に同一です。変わるのは、ビューアの検索・テキスト選択ツールが、その隠れた層から読み取ることで、認識された単語を見つけて取得できるようになる点です。
なぜプレーンなOCRツールと並んでこのツールが存在するのですか？
同じ認識ステップから生まれる異なるニーズに応えているためです。OCRツールはプレーンテキストファイルを返します。これは単語を貼り付けたり編集したり翻訳したりする予定で、文書をPDFのまま保つ必要がない場合に望むものです。このツールは元のページ画像を保ったままPDFとして保持します。これは文書を今も印刷、保管、そのままメール送信する必要がありながら、そこから検索やコピーもできるようにしたい場合に望むものです。