スキャンした PDF をアップロードせずに検索可能にする
ページをスキャンすると、コンピュータにその写真が保存されます。単語は画面上では正しく見えますが、ソフトウェアにとっては単なるピクセルです。Ctrl+F を押しても何も検索されず、コピー＆ペーストしても何も表示されず、文書の内容を知るインデックスはどこにもありません。 OCR (光学式文字認識) はまさにそれを解決します。形状を見て文字や単語を認識し、画像の下に実際のテキスト レイヤーを書き込みます。
実際にこれが重要な理由
- 何かを見つけること。 200 ページのスキャンされた契約書全体で Ctrl+F が機能し始めます。
- 言葉の再利用。 引用符、住所、文節番号 - 再入力する代わりに選択してコピーできます。
- アクセシビリティとインデックス作成。 スクリーン リーダーと検索エンジンが突然ドキュメントを「読み取る」ことがあります。
誰も言及しないキャッチ
ほとんどのオンライン OCR ツールは、ドキュメントをサーバーにアップロードして読み取ります。これは、パスポート、医療記録、または顧客契約書のスキャンとは奇妙なことです。私たちの OCRツール 他のパスを選択します: 認識が実行されます ブラウザ内で (WebAssembly にコンパイルされた業界標準の Tesseract エンジン)、検索可能な PDF もローカルでアセンブルされます。スキャンがデバイスから離れることはありません。
最高の精度を得る
- まずまっすぐにしてください。 ページが 2 度傾くと、各行の精度が低下します。走る デスキュー スキャンが歪んでいるように見える場合は、OCR の前に行ってください。
- 300 DPI でスキャンします。 エンジンの詳細は十分です。それ以上は速度を低下させるだけです。
- 言語を合わせてください。 OCR ツールで適切な言語を選択します。認識辞書は異なり、フランス語のページにある「英語」は自信を持ってナンセンスを生成します。
- フォントに注意してください。 タイプライターの文字盤と手書き文字は本当に難しいです。そこでの修正を期待してください。
OCR後
出力は、見た目は同じですが、非表示の選択可能なテキストを含む PDF です。そこからは通常のドキュメントです。検索、コピー、フィードを行います。 PDFからテキストへ ツールを使用して生の単語を編集するか、編集可能な形式に変換します。 PDFからWordへ.
精度チェックリスト
- 認識する前にページをまっすぐにします。傾きを補正したスキャンの方が読みやすくなります。
- 約 300 DPI を使用します。ピクセルを増やすと効果があるのは、ノイズが発生し始める点までです。
- 正しいスクリプトを含めて、ページ上の言語を選択します。
- その後、合計、日付、名前の 3 つの既知の詳細を検索します。
- 検索結果だけでなく、印刷出力も確認してください。
言語と手書き
認識は、サポートされている言語できれいに印刷されたテキストで最もよく機能します。言語が混在するページでは、言語モデルが混乱する可能性があります。セクションが異なる場合は、別々のパスを実行します。手書きの場合は困難です。手書きのメモの周りに印刷されたラベルは認識されますが、メモ自体は認識されない可能性があります。 OCR 結果を手書き記録の認証された転写として扱わないでください。
その後テキストをどうするか
スキャンにテキスト レイヤーが追加されると、検索、コピー、インデックス付けが可能になり、Word に変換したりテキストとして抽出したりすることができます。画像が法的記録である場合は、元のスキャンを検索可能なバージョンと並べて保管してください。決定の残りの半分はプライバシーです。ブラウザベースの認識ではスキャンがデバイス上に保持されますが、アップロードベースのサービスではスキャンがサーバーに送信されます。価格だけでなく原稿の感度に合わせて機種を選びましょう。
試してみてください: スキャンを検索可能にする — ローカルで無料: スキャンがデバイスから離れることはなく、生成された PDF は同じ方法で構築されます。