PDF OCR 検索可能化
スキャンしたPDFをOCRで検索可能に変換 - ブラウザ内で処理、元のページの下に不可視テキスト層を追加、アップロード不要。
ファイル
お使いの端末でローカル処理中 ...
0%
ファイルは一度も端末から出ていません
私のファイルはアップロードされますか？
いいえ。すべてブラウザ内で動作します。あなたのファイルが端末から出ることはありません。これが検証できる理由
スキャンしたPDFは本質的には画像の集まりです。テキストは見えても、選択・検索・コピーができません。OCR (光学文字認識) は画像から文字を読み取り、各ページの上に不可視のテキスト層として正確に重ねます。見た目は変わらないのに、PDFが検索可能になりテキストを選択できるようになります。これは官公庁・アーカイブ・全文検索システムが期待する標準的な形式です。
出力形式は検索可能PDF (元のページにテキスト層を追加) またはTXTとしての純粋なテキストから選べます。リストからドキュメントの言語を設定してください。ドイツ語・英語・ロシア語・アラビア語・ヒンディー語から日本語・韓国語・中国語まで100以上の言語があり、各言語は自身の名称で表示されます。すべてWebAssemblyでブラウザ内に動作します。「画像からテキスト」ツールと同じオープンソースのTesseractエンジンを、PDF全体にページごとに適用します。初回利用時にエンジンと選択した言語モデルを一度取得します (数MB、同一オリジン)。その後はオフラインでも動作します。
このツールはスキャンまたは画像ベースのPDFを対象としています。認識精度はスキャン品質に大きく依存します。鮮明・水平・高コントラストの印刷ページは非常に高精度で認識されますが、傾いたページやぼやけたページは精度が落ちます。手書きは確実には認識されません。検索可能PDFでは各ページが画像として再埋め込みされます。すでに本物のテキストを含むPDFにOCRは不要です。数字や固有名詞は結果を確認してください。
技術仕様
| 入力形式 | |
|---|---|
| 出力形式 | |
| 一括処理 | 対応 |
| 処理 | ブラウザ内でローカル処理 (WebAssembly) |
| ファイルのアップロード | なし |
3ステップで
- スキャンしたPDFをドロップする。
- 出力形式 (検索可能PDFまたはテキスト) と言語をリストから選ぶ。
- 検索可能なPDFまたはTXTをダウンロードする。
制限: スキャン・画像PDFをOCRで検索可能にする (不可視テキスト層) またはプレーンテキストとして出力します。100以上の言語・多様な文字体系の印刷テキストを認識します。手書きは確実には認識できません。注意: 検索可能PDFの不可視テキスト層はLatin-1フォントを使用しており、非ラテン文字 (CJK・アラビア文字・キリル文字など) は埋め込まれません。これらの文字体系には「テキストのみ (TXT)」出力をご利用ください。検索可能PDFでは各ページが画像として再埋め込みされるためレイアウトは保持されますが、ファイルサイズが大きくなる場合があります。すでにテキストを含むPDFにOCRは不要です。認識は完全ではないため、特に数字や固有名詞を確認してください。エンジンと言語モデルは初回のみ取得します (数MB、同一オリジン)。大きなPDFはページ数とデバイスによって時間とメモリが必要になる場合があります。
よくある質問
PDFはアップロードされますか?
いいえ。レンダリングとテキスト認識はすべてブラウザ内でローカルに実行されます (WebAssembly)。PDFはデバイスから外に出ません。契約書や公文書を扱う際に特に重要な利点です。
検索可能なPDFとは何ですか?
見た目はスキャン画像と同じですが、その下に不可視のテキスト層が追加されています。これによりPDF内を検索したり、テキストを選択・コピーしたりできるようになります。視覚的な表示は変わりません。
レイアウトは保持されますか?
はい。各ページは元ページの画像として再埋め込みされ、不可視のテキスト層がその上に正確に配置されます。見た目は変わりませんが、ファイルサイズが若干大きくなる場合があります。
手書きや他の言語も認識できますか?
他の言語は対応しています。アラビア語・ロシア語・ヒンディー語・日本語・韓国語・中国語など100以上の言語が選択可能です。手書きは確実には認識できません。印刷テキストのみ対応しています。非ラテン文字には「テキストのみ (TXT)」出力をご利用ください。検索可能PDFのテキスト層はLatin-1に限定されます。