テキスト抽出とOCR:本物の文字を読むか、画像を認識するか
PDFから文章を取り出す方法は、まったく異なる2つがあります。ファイルがパソコンで作られたものなら、テキストはすでに中に保存されており、抽出は正しい順序でそれを読み取るだけです。ファイルがスキャンや写真なら、ページはただの画像で、OCR、つまり光学文字認識が画素から文字を見分けなければなりません。正しく選べば、時間を節約でき、誤りも避けられます。
ひと目でわかる違い
| 項目 | テキスト抽出 | OCR |
|---|---|---|
| 対象 | 本物のテキストを持つPDF。 | スキャン、写真、画像のPDF。 |
| 仕組み | 保存されたテキストを読み取る。 | 画像から文字を認識する。 |
| 精度 | 完全。元のテキストそのもの。 | きれいなページでは良好、悪いスキャンでは低下。 |
| 速度 | 非常に速い。 | 遅く、ページ数に応じて増える。 |
| 結果 | プレーンテキストや内容のコピー。 | テキストレイヤーや抽出された単語。 |
どちらが必要かを見分ける
PDFを開き、カーソルで単語を選んでみてください。単語が反転すれば、本物のテキストがあるので抽出で十分です。ページ全体がまとめて選ばれるか、何も選べなければ画像なのでOCRが必要です。認識したあとは結果を注意して読み直してください。数字や名前の小さな誤りは見逃されがちです。文書の言語は、認識に選んだ言語と一致している必要があります。どちらの場合も、元のファイルは残しておきましょう。文書が長い場合は、まず離れた位置のページをいくつか選んで元と比べてください。特に表、脚注、複数段組みの部分は単語の順序が乱れやすいところです。1つのフレーズを引用するだけなら、そのページで確かめれば十分です。文章を公開したり公的な機関に送ったりするなら、元と照らし合わせて別の人に読んでもらってください。新しい目は、自分で何度も見直した人が気づかない誤りを見つけてくれます。
どちらを選ぶべきか
テキスト抽出
PDFがデジタルで作られていて、編集、検索、分析のために正確なテキストが必要なときは、テキスト抽出を選びます。
OCR
PDFがスキャンや写真で、単語が画像としてしか存在せず、検索やコピーのためにテキストにする必要があるときは、OCRを選びます。
両方に使える無料ツール
この用語が出てくるガイド
PDFの用語をやさしく解説
よくある質問
- PDFに本物のテキストと画像が両方ある場合は?
- まず本物のテキストを抽出してください。OCRは画像のページにだけ使い、すでに正確なテキストを再認識しないようにします。
- OCRは間違えることがありますか?
- はい。ぼやけたスキャン、珍しい書体、手書きの文字では特にそうです。数字や名前は元と照らし合わせてください。
- どのAuraDocツールが使えますか?
- 「PDFをテキストに変換」は既存のテキストを読み取り、「PDFをOCR」はスキャンしたページにテキストレイヤーを加え、「スキャンしたPDFからテキストをコピー」は画像のファイルから単語を取り出します。