PDF OCR
スキャンした PDF を、検索・選択・コピーができる PDF にします。ページの見た目はまったく変わらず、文字は見えないテキスト層として上に重なります。すべてブラウザーの中で動くので、スキャンがこの端末を離れることはありません。
ここにスキャンした PDF をドロップ
ファイルはこの端末に残ります。何もアップロードされません。
スキャンした PDF を OCR で検索できるようにする方法
- スキャンした PDF を上の枠にドロップするか、「PDF ファイルを選ぶ」を押します。どのページが画像で、どのページにすでに文字があるかを調べます。
- 文書が書かれている言語を選びます。ダウンロードの前に、そのサイズが表示されます。
- 「検索可能にしてダウンロード」を押し、各ページの読み取りが終わるのを待ちます。「停止」でいつでも中止できます。
- ダウンロードした PDF を開いて検索してみます。「テキストをダウンロード（.txt）」を押すと、文字だけを取り出せます。
「PDF OCR」でできること
スキャナーやスマホのスキャンアプリは、各ページを画像として保存します。そうした PDF は見た目は文書でも、中身は写真と同じで、検索も、一文の選択も、読み上げもできません。このツールは画像ごとに文字を読み取り、見えないテキストとしてページに重ねるので、同じファイルが検索できるようになります。
できること
- スキャンしたページの印刷文字を読み取り、見えない検索可能なテキスト層としてページごとに加えます
- どのページも見た目は元のままです。再描画も再圧縮もしません
- すでに文字のあるページは飛ばし、どのページかをお知らせします
- 中国語・日本語・韓国語・ヒンディー語・ネパール語を含む 16 言語を読み取れます。各言語は選んだときだけこのサイトからダウンロードされます
- 読み取った文字を .txt ファイルとしても渡します
しないこと
- スキャンはアップロードしません。読み取りエンジンはこのブラウザーのタブの中で動きます
- 手書きは読み取りません
- 質の悪いスキャンは救えません。薄い、ぼやけた、小さすぎる、傾いた文字は間違いが出ます。読み取りにくかったページはどれかをお知らせします
- レイアウトを編集できる文書として組み直すことはしません。検索できるようになったファイルから、あとで「PDF を Word に」で文字を取り出せます
- アラビア語など右から左に書く文字は、まだ読み取れません
- 横向きのページをまっすぐにはしません。先に「PDF 回転」を使ってください
最終更新
これを誰かに送る必要がありますか？
姉妹サイトの QRSansar は書類を預かって、その短いリンクと QR コードを発行します。WhatsApp やスライド、ポスター、配布物に便利で、添付ファイルの容量制限を丸ごと回避できます。あとからファイルを差し替えても、リンクと QR コードはそのまま使えます。
違いははっきりさせておく価値があります。あちらはホスティングサービスなので、ファイルはそこへアップロードされます。PDFsansar の処理はすべて端末の中に留まりますが、共有だけはそれができない唯一の仕事です。
QRSansar で書類を共有する →ほかのツール
すべて無料で、すべてこのタブの中で動きます。何もアップロードしません。
PDF OCR: よくある質問
スキャンはアップロードされますか？
いいえ。読み取りエンジンの Tesseract は、このブラウザーのタブの中で動きます。初めて使うときは、エンジンと選んだ言語がほかの誰かのサイトではなくこのサイトからダウンロードされ、その後はブラウザーが保持します。PDF そのものはこの端末で読み込まれ、書き直され、どこにも送られません。
ページの見た目は変わりますか？
変わりません。どのページも元のままです。文字は見えない層として、スキャン上でその文字がある位置に重ねられるので、一文を選択するとハイライトが印刷された文字の上にきちんと乗ります。再描画も再圧縮もせず、ファイルは 1 ページあたり数キロバイト増えるだけです。
どの言語を読み取れますか？
英語、スペイン語、フランス語、ドイツ語、ポルトガル語、イタリア語、インドネシア語、マレー語、フィリピン語、スワヒリ語、ベトナム語、ヒンディー語、ネパール語、簡体字中国語、日本語、韓国語です。文書が書かれている言語を選んでください。各言語は選んだときだけダウンロードされ、サイズが先に表示されます。アラビア語はまだ提供していません。読み取ること自体はできますが、一部の PDF リーダーでは結果が逆向きに表示されてしまい、言葉が見つからない検索では役に立たないからです。
どのくらい時間がかかりますか？
パソコンなら 1 ページ数秒です。4 コアのマシンの Chrome で測ったところ、平均で 1 ページ 3〜9 秒でした。速いほうはレシート、遅いほうは小さな文字がびっしり詰まった雑誌のページで、最も時間のかかった 1 ページは 11 秒でした。スマホではもっと遅くなります。初回は読み取りを始める前に読み取りエンジンと言語がダウンロードされ（英語で約 4 MB）、その後はブラウザーが保持します。別のタブで動かしたままにしておけますし、「停止」はいつでも使えます。
精度はどのくらいですか？
きれいに印刷されたページなら、ほぼすべての単語を読み取れます。標準的な OCR テストセットに含まれる雑誌と報告書の 2 ページでは、単語の 99% が正しく読み取れました。ドイツ語、スペイン語、フランス語、日本語、中国語で実際にスキャンした記入用紙では 91〜96%。感熱紙に小さな文字で印刷されたレシートのスキャンでは 79% でした。間違いは名前・数字・小さな文字に集まるので、頼りにする前にそこを確認してください。読み取りにくかったページは、終わったときにお知らせします。
すでに文字のあるページはどうなりますか？
そのまま残ります。どのページが該当するかは、始める前にお知らせします。読み取り直すと、すべての単語の上にもう 1 組の文字が重なってしまうからです。すべてのページにすでに文字があれば、そう伝えて何もしません。
手書きは読み取れますか？
読み取れません。Tesseract は印刷された文字のために作られています。手書きは意味のない文字列になるか、何も出てきません。読み取れるものが何もなかったページは、処理が終わったときにお知らせします。
文字だけを取り出せますか？
できます。終わると、テキストを .txt ファイルで保存するボタンが出ます。ページの順番どおりに並んでいます。もともと文字があったページも、そのままの内容で含まれます。