スキャンPDFをOCRで検索できるようにする方法

最初に画像の状態を見ます

薄い印字や折り目に重なった数字は、人にも認識処理にも判断しにくい部分です。元のページを拡大し、文字の線が見えるかを確認します。欠けた端や強い反射で写っていない情報を、正しく推測してくれるものとは考えないでください。

新しく取り込むなら、スマートフォンでの書類スキャンから始めます。均一な光と読みやすい大きさを確保すると、後の訂正を減らせます。小さくしすぎた写真はアップロードしやすくても、文字認識には不利になることがあります。

文字を認識する手順は？

OCR PDFでコピーを開き、文書に合う言語を選んで必要なページを処理します。保存した結果を開き直してください。PDF内で検索したいのか、取り出した文章を別の場所で編集したいのかも区別しておきます。

日本語では、氏名の漢字、ふりがな、全角と半角の数字を見比べます。縦書きや段組みでは、文字だけでなく読む順番も重要です。言語を正しく選んでも、薄い印刷や特殊な書体をすべて無誤りで読めるとは限りません。

検索と読み順をどう試しますか？

元の画像で分かる単語を、異なる場所からいくつか選んで検索します。その後、少し長い文章をコピーして順番に読んでください。見出しで一度検索が成功したことは、別の場所の整理番号が正しい証拠にはなりません。

二段組みなら、右側の文が左側の段落へ途中から入っていないかを確認します。注記や箇条書きも見ます。単語がそれぞれ正しくても、順番が変われば意味を取り違える可能性があります。金額は桁ごとに画像と比較してください。

認識後はどの形式で使いますか？

検索用の文字層が付いても、段落や表を自由に編集できる原稿になったとは限りません。構成を大きく直すなら、PDFからWordへの変換で復元した文書の確認も必要です。確認前の認識結果を、重要な情報の確定版として扱わないようにします。

保存形式の指定がある場合のPDF/A変換は、別の性質を調べる処理です。形式の検証は、読み取った氏名や金額の正しさを認めるものではありません。元の画像と、照合を済ませたテキストの版を分けて残してください。