比較ノイズとは?
比較ノイズとは、内容が実際には変わっていないのに比較が報告する差異のことです。1行が次のページに送られた、スキャンが数文字誤って読み取られた、別のソフトが行の区切りを変えて再出力した、といった理由で、2つのファイルが異なると判定されることがあります。ノイズは、本当に重要な変更を見えにくくします。
よくある原因
1つ目はレイアウトのずれです。追加した1文でテキストが次のページに押し出されると、複数のページが異なると報告されます。2つ目はスキャンしたファイルの認識エラーで、文字を読み違えると単語が変わります。3つ目は、出力のたびに変わるヘッダー、フッター、ページ番号、日付です。
減らす
同じ元データ、同じ書き出し設定のファイル同士を比較してください。片方がスキャンの場合は、先に OCR を実行して両方にテキストレイヤーを持たせます。レポートが不自然に見えるときは、PDF をテキストに変換で両ファイルのテキストを確認し、差が単語にあるのか配置だけなのかを見極めます。 実用のヒント:比較する前に、2つのファイルの両方にテキストレイヤーがあることを確認してください。テキストのないスキャンページは単語ごとに比較できないため、先にOCRを通します。改ページ、ヘッダー、フッターの違いのせいで、内容が同じでもページが変更されたように見えることがあります。そのため、結論を出す前にレポートに挙がったページを実際に読んでください。レポートは目安であり、判定ではありません。最終的な判断は読み手である人間が行います。
レポートを読む
PDF を比較は各ページの単語を比べ、同一のページと異なるページを CSV レポートに一覧します。示されたページは確認すべき箇所であり、実際の変更の証拠ではありません。2つのページを並べて開き、その差が重要かどうかを判断してください。前半の挿入のあとに長く続く指摘ページは、通常レイアウトのずれです。
この用語を使うツール
この用語が出てくるガイド
よくある質問
- 変更が見当たらないのにページが指摘されるのはなぜですか?
- 多くはテキストが移動したためです。冒頭への追加は、後ろのテキストを別のページに押し出します。最初に指摘されたページの位置を確認してください。
- スキャンは常にノイズを生みますか?
- 鮮明でまっすぐなスキャンに OCR をかければノイズは少なく、状態の悪いスキャンでは多くなります。認識エラーはそれぞれ差異として現れます。
- ノイズを完全になくせますか?
- 完全にはなくせません。比較できるもの同士を比べて減らし、指摘されたページは自分で読んでください。