PDFの右から左へ書く文字
右から左へ書く文字とは、アラビア語、ヘブライ語、ペルシア語、ウルドゥー語のように、行が右端から始まり左へ続く表記のことです。PDFは、ワープロのように文章をそのまま保存するのではなく、位置が指定された字形(グリフ)を保存します。つまり、人が読む順序ではなく、各字形がページ上のどこにあるかが記録されています。アラビア語の文に数字やラテン文字の製品名が含まれるなど、一行に複数の文字体系が混じると、ページ上のグリフの並びと文章としての読み順が一致しなくなります。
問題が起こる場面
PDFから一行をコピーすると、単語の順序が逆になって貼り付けられたり、つながるべき文字が切れたり、数字が行の途中で分断されたりすることがあります。保存されている順序と入力する順序が違うため、検索も同じ理由で失敗します。スキャンしたページではさらに別の問題があり、文字認識には期待する言語を指定する必要があります。左から右へ書くラテン文字で学習したモデルは、連なったアラビア文字を正しく読めません。
確実なテキストを得るには
まずは状態の良い元データを用意します。フォントを埋め込んだワープロ由来のPDFならテキストレイヤーが保たれ、抽出はたいてい成功します。スキャンの場合は、正しい言語を選んで文字認識を実行し、数行をページと見比べて確認します。特に数字や句読点は位置がずれやすいので注意してください。文書の言語がわからないときは、先に言語を判定しましょう。
AuraDocでできること
AuraDocのOCRツールはスキャンしたページにテキストレイヤーを追加し、テキスト抽出ツールはPDFの文字をプレーンテキストで取り出し、言語判定ツールは文書がどの言語で書かれているかを調べます。いずれも新しい結果を返し、元のファイルには手を加えません。
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
- コピーしたアラビア語が逆さまになるのはなぜですか?
- PDFはグリフを位置で保存しており、一部のソフトは論理的な順序ではなく見た目の順序で読み取るためです。別のビューアーや抽出ツールを使うと、よい結果になることが多くあります。
- OCRは右から左へ書く文字にも使えますか?
- 適切な言語を選び、スキャンが鮮明であれば使えます。数字と句読点は弱点になりやすいので、処理後に確認してください。
- ひとつのPDFで左から右と右から左の文字を混ぜられますか?
- できます。二か国語の契約書や申込書では日常的に行われており、各行の並びはファイルを作成したソフトが調整します。