OCR — テキスト抽出

OCR PDF とは何か、なぜ必要か？

スキャンされたページは、実際にはただの写真です。PDF リーダーは言葉ではなく画像を見ています。OCR PDF（光学文字認識）はその画像を読み取り、各文字を識別して、本物の、選択可能で検索可能なテキストに変えます。凍りついた文書を再び息づかせるものです。

このステップは日々の作業を変えます。テキストが認識されれば、一節をコピーしたり、ファイル全体から単語を検索したり、紙の文書を打ち直さずに再利用したりできます。これこそが、スキャンした PDF からテキストを抽出する理由です。古い契約書、郵送されてきた請求書、記入済みのフォーム、デジタル化されたアーカイブが、ついに使えるようになります。

精度を左右するもの、そして次に来るもの

結果は何よりもスキャンの品質に左右されます。鮮明でまっすぐ、コントラストの高い文書を 300 dpi 以上でスキャンすれば、信頼できる認識が得られます。正しい言語を選ぶことも忘れないでください。文字やアクセント記号の解釈の仕方を導くからです。ただし手書き文字は依然として信頼できません。OCR は印刷されたテキスト向けに作られています。

テキストが抽出できたら、目的に応じて次のツールを選びます。完全に編集可能な文書には pdf-to-word を使い、ファイルを直接調整するには edit を使い、形式を変えるには convert に任せます。

プライバシーについて、複雑なことは何もありません。登録は不要で、ファイルは処理後に自動的に削除されます。あなたの文書はテキストを生成するためだけに使われ、それ以上のことはありません。