pdfMB

OCR PDF

スキャンしたPDFを検索できるようにし、文字をコピーできるようにします。ページの見た目はまったく変わらず、ファイルはこの端末の中にとどまります。

  • アップロードなしファイルはこの端末の中にとどまります。
  • 言語データのダウンロードは1回だけ選んだ言語の読み取りデータだけをダウンロードし、この端末に保存します。
  • 無料・登録不要アカウント不要で、回数制限もありません。

ファイルはどう処理されるか

以下の処理はすべて、お使いの端末のブラウザの中で行われます。PDFや写真がアップロードされることはないので、私たちを含め、ほかの誰にも見られません。

  1. 文字の読み取りには、無料のオープンソースOCRエンジンであるTesseractを使い、ブラウザの中で動かしています。読み込み元はpdfMB自身で、他社のサーバーではありません。
  2. ある言語を初めて使うとき、その言語のデータ（0.5〜3 MB）をpdfMBからダウンロードし、ブラウザに保存します。ダウンロードはこれだけで、あなたのファイルはどこにも送られません。
  3. 各ページを300 dpiの画像として描き、1行ずつ読み取ります。本物の文字がすでにあるページは、指定しない限り読み飛ばします。
  4. 読み取った文字は、画像の中の同じ文字に重なる位置に、見えない文字としてページに追加されます。これで、どのPDFリーダーでも検索・選択・コピーができるようになります。
  5. ページの内容を描き直したり、再圧縮したりはしません。新しい文字はファイルの末尾に追加され、元のファイルは1バイトも変わらずにその中に残ります。
  6. 写真はそのままPDFに入れ（JPEG写真は再圧縮しません）、その上に文字を重ねます。
手順
  1. PDFか写真を選ぶ
  2. 言語を確認
  3. 「読み取る」を押す
  4. 文字をダウンロードかコピー

スキャンしたPDFを検索できるようにする方法

  1. PDFを1つ、または書類の写真を1枚以上選びます。
  2. 言語を確認します。このページの言語と英語はあらかじめ選ばれています。書類にほかの言語があれば追加してください。
  3. 「読み取る」を押します。ページが1枚ずつ読み取られ、どのページを処理中かが表示されます。
  4. 検索できるPDFをダウンロードするか、文字をコピーして.txtファイルとして保存します。

うまく読み取るためのコツ

  • スキャナーで解像度を選べるなら、300 dpiでスキャンしてください。解像度が低いと、小さな文字が読み取りにくくなります。
  • ページは平らにして正面から、明るい場所で、文字に影がかからないように撮影してください。「スキャンしてPDFに」ツールを使えば、ページをまっすぐに補正できます。
  • 横向きや逆さまのページは、先に「PDFを回転」で正しい向きにしてください。
  • 書類に実際に含まれる言語だけを選んでください。余分な言語は読み取りを遅くし、誤りの原因にもなります。
  • 手書き文字、とても小さな文字、装飾的なフォントはうまく読み取れないので、使う前に文字を確認してください。

こんなときに使われています

スキャンした契約書や手紙

長いスキャン書類の中から、名前や日付、金額をCtrl+Fで探せます。全ページに目を通す必要はありません。

古い書類や保管資料

スキャンした書類のフォルダーを検索できるようにすれば、中の言葉でパソコンが書類を見つけてくれます。

お知らせやレシートの写真

お知らせ、メニュー、レシートの写真から文字をコピーして、メッセージや翻訳ツールに貼り付けられます。

複数の言語が混ざった書類

日本語と英語など、2つ以上の言語を選べば、同じページの中でどちらも読み取ります。

できないこと

  • OCRは間違えることがあります。特にぼやけた写真、小さな文字、表、手書き文字は要注意です。大事な名前、数字、金額は必ず確認してください。
  • 文字は横書きの行として読み取ります。縦書きの日本語や中国語、横向きになったページは正しく読み取れません。
  • レイアウトは再現しません。得られるのは元のページに重ねた検索可能な文字で、編集できるWord文書ではありません。
  • 私たちのテストでは、ほかの言語より精度が低い言語がありました。言語リストでは「精度が低め」と表示しています。
  • 言語データは、その言語を初めて使うときにダウンロードされます（サイズは開始前に表示されます）。そのため初回はインターネット接続が必要です。
  • 読み取りはお使いの端末で行うため、古いスマートフォンでは時間がかかり、とても長い書類ではスマートフォンのメモリが足りなくなることがあります。先にいくつかに分割してください。
  • パスワード付きのPDFや、作成者が変更を禁止しているPDFは読み取れません。

OCRについての質問

OCRとは何ですか？

OCR（光学文字認識）とは、画像の中の文字を読み取って本物のテキストに変えることです。スキャンしたPDFはページの画像にすぎないため、OCRにかけるまでは検索も文字のコピーもできません。

PDFの見た目は変わりますか？

変わりません。文字は見えない層として追加されるので、ページの見た目はまったく同じです。私たちのテストでは、処理前と処理後のページはピクセル単位で一致しました。

書類はアップロードされますか？

いいえ。文字の読み取りはブラウザの中で動いています。ダウンロードするのはpdfMBの言語データだけで、あなたのファイルがどこかに送られることはありません。

どの言語を読み取れますか？

このサイトの32言語です。英語、タイ語、中国語（簡体字・繁体字）、日本語、韓国語、アラビア語、ヘブライ語、ヒンディー語、ベンガル語、ビルマ語、ロシア語、ベトナム語などが含まれます。書類に複数の言語が混ざっているときは、いくつか選んでください。

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、ほとんどの言語でほぼすべての文字を正しく読み取れます。写真、小さな文字、一部の文字体系は難しくなります。私たちはすべての言語をテストし、苦手な言語には「精度が低め」と表示しています。

読み飛ばされるページがあるのはなぜですか？

Wordで作ったページなど、本物の文字がすでにあるページにはOCRが不要なので、そのままにします。「すでに文字があるページも読み取る」にチェックを入れれば、それらも読み取ります。

文字だけを取り出せますか？

はい。読み取りが終わると、ダウンロードボタンの下に文字が表示されます。「文字をコピー」を押すか、「.txtをダウンロード」を押してテキストファイルとして保存してください。