スキャンPDFをテキストに変換

仕組み

スキャンしたPDFは、文書のように見えて、写真のように動作します。ファイルの中にテキストがまったくなく、あるのはテキストの画像だけなので、選択も検索もコピーもできません。通常の抽出では何も得られませんが、そのようなときこそ、このツールの出番です。

仕組み

各ページが画像として描画され、ページ内で光学文字認識（OCR）にかけられます。何もアップロードされません。認識エンジンとその英語データは、公開CDNから一度だけダウンロードされ、ブラウザにキャッシュされます。

まずは通常の抽出ツールを使ってください

PDFにすでに本物のテキストが含まれている場合、通常のPDFテキスト抽出ツールなら一瞬で、完全に正確に取り出せます。画像から推測するのではなく、テキストそのものを読み取るからです。そのツールで何も得られなかった場合にだけ、こちらをお使いください。

ページ数に上限があるのは意図的です

認識には、お使いのデバイス上で1ページあたり実際に時間がかかり、数秒ずつかかります。既定の5ページは最初の試行を素早く済ませるための設定です。待つ価値があるほど品質が十分だとわかったら、上限を引き上げてください。

精度に影響するもの

影響が大きい順に、解像度、まっすぐさ、コントラストです。印刷された文字のきれいな300 dpiのスキャンは、非常によく読み取れます。斜めから撮影したページの写真、薄いファックス、解像度の低いスキャンでは、誤認識が出るか、何も得られない場合があります。300 dpiで描画すると役立ちますが、質の悪い原本を救うことはできません。