画像ベースのPDFとは?
画像ベースのPDFとは、各ページが本物の文字ではなく、紙を撮影した写真になっている文書のことです。多くの場合、スキャナーやスマートフォンのカメラで作られます。見た目はほかの文書と変わりませんが、コンピューターには色のついた点の集まりにしか見えず、そこに文字があることを認識できません。そのため、文書内の検索、文の選択、数字のコピーができず、スクリーンリーダーも読み上げるものがありません。
見分け方
文字の行の上でマウスをドラッグしてみてください。ページ全体が1つのかたまりとして反転したり、何も選択されなかったりする場合は、画像でできているファイルの可能性が高いです。ファイルサイズも手がかりになります。数ページしかないのに数十メガバイトもある文書は、ページ全体の画像を含んでいることがほとんどです。ページ上にはっきり見える単語を検索しても何も見つからなければ、ほぼ確実です。
使えるようにするには
光学文字認識、略してOCRは、画像を読み取り、その裏に見えない本物の文字の層を追加します。ページの見た目は変わりませんが、検索やコピーができるようになります。品質はスキャンの状態に左右され、鮮明でまっすぐ、コントラストの高いページは、ぼやけたり傾いたりしたページよりずっと良い結果になります。スキャンはサイズが大きいので、文字が読める範囲でファイルを圧縮するのも効果的です。
AuraDocでの使い方
AuraDocのOCRツールはスキャンしたPDFを検索可能にし、スキャンPDFの文字コピーツールは文字そのものを取り出し、スキャンPDFの圧縮ツールはファイルを軽くします。どの手順も新しいファイルを出力します。
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
- 画像ベースのPDFは、スキャンしたPDFと同じですか?
- ほとんどの場合は同じです。スキャナーやスマートフォンのアプリは通常、画像のページを作ります。文字を追加するものもありますが、見分け方は単語を選択できるかどうかです。処理の前後でファイルサイズと見た目を比べ、必要なら元のスキャンも手元に残しておくと、やり直したいときに安心です。重要な書類では、認識された文字を目で確認する習慣もつけましょう。
- OCRでページの見た目は変わりますか?
- いいえ。画像は前面に残り、認識した文字は裏に見えない状態で置かれるので、ページは以前とまったく同じに見えます。
- OCRが間違えることがあるのはなぜですか?
- 主な原因は質の低いスキャンです。薄い印刷、折り目、手書き、傾いたページは読み取りの妨げになるため、重要な数字や名前は必ず目で確認してください。