AuraDoc
ログイン登録

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。

ほかの比較

ちょっとした修正以上のことが必要ですか?

AuraDocは、OCR、AIによる検索と要約、チーム向けの60以上のPDFツールを備えた文書プラットフォームです。7日間無料でお試しいただけます。

「セキュアサーバー」と表示されたツールは、暗号化された接続でファイルを一度だけ AuraDoc の隔離サーバーに送ります。使い捨てのプロセスで処理し、結果を返した時点で削除します。 公正利用・不正利用防止ポリシー