スキャンしたPDFを検索可能に

変わらないページの上に、見えないレイヤーを1枚

スキャン画像は元のまま残します。加えるのは、見えない描画モードで描いたテキストのレイヤーです。本物の文字を、画像の中の単語の上に1語ずつ配置し、決して描画されないように指定しています。見た目としては何も変わっていないので、ページはまったく同じに見えます。文章を選択すると、見えないテキストが目に見える文字と同じ位置にあるので、ハイライトは正しい単語に重なります。これは検索可能なスキャンPDFを作る標準的な方法で、結果が文書の写真でありながら、検索・コピー・インデックス化ができるのはこのためです。

ページについて2つの点を意図的に補正します。どちらも読み取りのためにいずれ必要な処理だからです。横向きにスキャンされたページは正しい向きに回転し、スキャナーに斜めに送られたページはまっすぐに直します。そのため、出力は入力よりきれいになることがよくあります。ページサイズは統一せずに元のPDFのものを保つので、ページサイズが混在した文書はそのままで、縮尺も変わりません。

精度はほぼスキャン次第で、その差は小さくありません。印刷された文字を300 dpiできれいにスキャンすれば非常に高い精度で読み取れますが、同じページでも150 dpiでは目に見えて悪くなります。暗い場所で斜めから撮った写真となると、まったく別物です。スキャンを自分で行うなら、効いてくる設定はグレースケールの300 dpiです。それ以上の解像度はほとんど役に立たず、それ以下にするとすぐに悪化します。小さな文字、詰まった行間、色の付いた背景、コピーを重ねたコピー、スタンプや手書きの入ったものは、どれもソフトウェアでは完全に解決できない難しさがあります。

何を意図的に除くかは、何を入れるかと同じくらい重要です。写真、ロゴ、署名、装飾的なグラフィックは読み取らずに無視します。画像から無理に文字を引き出すと、もっともらしい無意味な文字列ができあがり、それがあらゆる検索に出てきてしまうからです。中国語、日本語、韓国語の単語は認識はしますが、それを表現できるフォントが提供されるまでは、空白として書き込む代わりにテキストレイヤーから除き、件数をお知らせします。このツールは文書を組み直すわけではありません。ページ上の文字は画像のままで、編集できるテキストにしたいならWordへの変換を使ってください。

ほかの目的には

このページが手軽さで寄り添っている本家のツールがOCRmyPDFで、無料です。ocrmypdf --deskew --rotate-pages in.pdf out.pdfは同じ処理をより細かく制御して行え、--optimize 3で結果を小さくし、--redo-ocrで質の悪い既存のテキストレイヤーを置き換え、--output-type pdfaで長期保存用のファイルを同時に作れます。数千ページにも対応し、フォルダーを監視して自動処理でき、図書館や文書アーカイブで実際に使われているのはこのツールです。

歴史的な印刷物、変わったレイアウト、表の多い文書など難しい資料には、Google、Amazon、Microsoftのクラウドサービスのほうが、汎用の文字認識では読めないページを読み取れます。はるかに多くの資料で学習しているからです。これは本物の能力差で、知っておく価値があります。ただしそれは、文書を第三者に送ることを意味します。このページはまさにその引き換えを避けるために存在しています。壊れやすい古い本には適した選択でも、医療記録の箱には不適切な選択です。