PDF OCR & 認識

PDF を無料でオンライン OCR — スキャン PDF を検索可能に変換、OCR でテキストを抽出、画像から検索可能 PDF を作成。すべてブラウザー内で実行します。あわせて：PDF エディター | セキュリティ | 圧縮 | ユーティリティ。
パフォーマンス注記：OCR は初回使用時に約 12MB の言語データをダウンロードします。処理は CPU 集約的で、完全にブラウザー内で行われます。大きな文書（10 ページ超）では数分の処理を見込んでください。結果はスキャン品質と言語に依存します。
スキャン→検索可能：各 PDF ページを画像として描画し、OCR でテキストを認識し、ページ画像の上に見えないテキストレイヤーを載せた新しい PDF を作成します。結果の PDF は検索・選択可能です。
画像→PDF：1 つ以上の画像を受け取り、それぞれに OCR を実行し、各画像をページとし、認識されたテキストを見えないオーバーレイとした PDF を作成します。文書の写真に最適です。
OCR テキスト：PDF か画像ファイルを受け付けます。PDF の場合は各ページを画像として描画し OCR を実行します。認識されたテキストを表示し、コピーできます。スキャン文書からのテキスト抽出に最適です。
表の抽出：PDF ページを画像として描画し OCR を実行し、テキスト位置から表構造の識別を試みます。結果は概算です — 複雑な表は完全には再現されないことがあります。正確な表には専用の抽出ツールを使ってください。

OCR とは？

スキャン PDF の本質はページの写真です。コンピューターにとってはピクセルの格子であって、そのどれもテキストではありません。OCR（光学的文字認識）は、それらのピクセルを見て、何の文字を描いているかを割り出す技術です。結果は、書き出せる平文テキスト（OCR テキストモード）か、ページ画像の上に置かれた見えないテキストレイヤー（スキャン→検索可能と画像→PDF モード）で、後者がスキャン文書をどんな PDF ビューアーでも検索可能にします。

一行で言うと：OCR はインクの形からテキストを推測します。認識であって読解ではなく — 出力は信頼度スコア付きの最良の推測であって、ネイティブにデジタル作成された PDF が持つ正しい答えではありません。

OCR のパイプライン

どの OCR エンジンもほぼ同じ段階を踏みます。まずページが画像として描画されます（PDF では各ページがラスター化）。次に二値化が来ます。ピクセルがインクか紙かに分類され、エンジンは白黒の形で作業します。形は次に、行・単語・個々の文字へセグメント化されます。最後に各候補が分類されます — 現代のエンジンは単一文字でなくテキスト行全体を見る訓練済みニューラルネットを使い、だから古い単文字マッチャーよりも、ぼやけたりわずかに傾いた入力をはるかにうまく扱えます。言語も重要です。エンジンは言語固有の辞書と文字セットを使うため、上のセレクターで正しい言語を選ぶと精度が上がります。

見えないテキストレイヤー

「検索可能 PDF」は重ね合わせです。あなたが見る元のページ画像と、その背後に配置された見えないテキストレイヤー。ビューアーでのテキスト選択は、実はその隠れたレイヤーを選んでいます。見えるスキャンは何も変更されません — 画像は手つかずで、品質と見た目は決して変わりません。代償として、コピペと検索結果の精度はその下の OCR パスの精度までです。単語が誤認識されていれば、正しい綴りで検索しても見つかりません。隠れたレイヤーに間違いが入っているからです。

DPI がすべてを決める理由

認識精度は、各文字が何ピクセル得るかに依存します。PDF のページはポイントで組まれます（1 インチ 72）が、低解像度で描画された 10 pt の文字はわずかなピクセルに潰れます — 150 DPI で 10 pt の文字は高さ約 21 ピクセル、300 DPI で約 42 ピクセルです。およそ 20 ピクセルを下回ると、セリフが閉じ、文字が滲み合い、精度は急落します。長年のスキャン指針がOCR には 300 DPI である理由です。小さな文字に十分なピクセル詳細を与えつつ、ファイルサイズを浪費しません。それ以上高くしても認識はほとんど改善されず — 主にスキャンが大きくなり OCR が遅くなるだけです。

OCR が苦手なもの

手書き、装飾的なディスプレイフォント、賑やかな背景の上のテキストは、今も弱点です。表は特殊なケースです。OCR は文字とその位置は見ますが、行と列を本当の意味で理解はしません — 表の抽出モードは整列から構造を推論するため、複雑な表は概算になります。そして PDF が既に実テキストを含むなら（スキャンでなく Word から書き出されたもの）、OCR はまったく不要です。テキストはPDF 書き出しツールで、より正確に直接抽出できます。

よくある誤解

  • 「検索可能 PDF は Word から作った PDF と同じ」。違います。テキストレイヤーは単なる認識テキストです。段落をコピーするとレイアウトが失われ、任意の認識エラーが隠れたレイヤーに焼き付きます。
  • 「OCR は元のテキストを復元する」。最良の推測を再構築するのです。99% 正確なページでも 100 文字あたり約 1 文字は間違っています — 検索には十分、法務や数値コンテンツには危険です。
  • 「DPI は高いほど常に良い」。約 400–600 DPI を超えると精度の利得は無視でき、ファイルサイズと処理時間だけが上がり続けます。典型的文書では 300 DPI が最適点です。
  • 「スマホの写真はスキャンと同じくらい使える」。傾き、不均一な照明、手ブレはすべて精度を削ります。ページを平らに、正面から、よく照らして撮るか — 重要な文書には本物のスキャナーを使ってください。

関連ツール：PDF 書き出し（ネイティブテキスト抽出 — デジタル PDF に OCR は不要）、PDF 構造の解説（テキストレイヤーがページにどう付くか）、PDF 編集 & 整理、PDF へ変換。