PDF OCR（文字認識）

検索可能なPDFは「画像+テキスト」とも呼ばれ、各ページに2つのものを保存します。元のスキャンを画像として、そして印刷された文字の真上に正確に重ねた、見えない認識テキストのレイヤーです。ビューアは画像を表示し、テキストを検索、選択、コピー、スクリーンリーダーに使います。見た目は一切変わらないため、紙のスキャンについては、アーカイブ、法律事務所、記録管理部門で好まれています。

PDFは2008年にオープン標準のISO 32000となり、ISO 19005で定義された保存用プロファイルのPDF/Aは、数十年にわたって読める状態を保つ必要があるスキャン記録に広く使われています。Adobe Acrobatでは「スキャンとOCR」ツールで同じ作業ができ、多くのオフィス用スキャナにも「検索可能なPDF」出力があります。ここで得られるのは、どのビューアでも開ける通常のPDFです。

スキャン自体が記録となる場合は、検索可能なPDFが適しています。署名済みの契約書、権利証書、診断書などです。ほかの出力は認識した文字から新しい文書を作るので、編集するときに便利ですが、コピーの精度は認識結果しだいです。すでに本物のテキストが入っているPDFからWordを作るには、OCRなしで既存のテキストを読み取るPDFをWordに変換を使ってください。文字だけが必要なら、スキャンPDFのテキスト化がそのための設定になっています。

テキストはページ画像に比べてごく小さいため、テキストレイヤーによるファイルサイズの増加はわずかです。スキャンがすでにアップロードフォームの上限を超えていた場合は、先にOCRを行い、そのあとPDFを圧縮してフォームが許可するサイズに収めてください。