OCRが役立つ場面
スキャンした契約書、古い手紙、スマートフォンで撮ったレシートなどは、PDFの中に入った1枚の画像にすぎません。検索も、文章のコピーも、スクリーンリーダーでの読み上げもできません。OCRにかければ、見た目は元の紙のままで、普通のデジタル文書と同じように扱えるようになります。
きれいに仕上げるコツ
- スキャナーで解像度を選べるなら、300 DPIでスキャンしてください。小さな文字には最低でも200 DPIが必要です。
- ページをまっすぐにして、光が均一に当たるようにしましょう。斜めにスキャンされたファイルは、先にPDF傾き補正でまっすぐにできます。影や折り目は、文字の読み取り漏れのいちばんの原因です。
- 文書の言語を選びましょう。英語とトルコ語が混ざっている場合は、「英語+トルコ語」で両方を読み取れます。
思いどおりの結果にならないときは
- 文字が入れ替わったり抜けたりする。 スキャン画像を実寸で見てください。自分でも楽に読めないなら、OCRでも読み取りは難しくなります。もっと明るくして、ページを平らに置いてスキャンし直しましょう。
- アクセント付きの文字が普通の文字になる。 「é」が「e」に、トルコ語の「ş」が「s」になる場合、たいていは言語の選択が間違っています。合っている言語でもう一度実行してください。
- 手書きの文字が無視される。 OCRは印刷された文字向けに作られています。丁寧なブロック体なら読み取れることもありますが、サイン、余白の書き込み、筆記体は確実には認識できません。
- コピーした表の列が崩れる。 認識した文字はページ上の位置にぴったり重なっているので、検索は問題なくできます。ただしコピーすると、列が行ごとにつながってしまうことがあります。Wordに変換したあとは表を確認してください。
- 長いスキャンに何分もかかる。 文字認識はお使いのデバイスのプロセッサーで1ページずつ行われます。タブを開いたままにするか、先に必要なページを抽出して、そのページだけをOCRにかけてください。
1分でできる結果の確認
認識がうまくいったかどうかは、ファイル全体を読まなくてもわかります。新しいPDFを開いてCtrl+F(MacではCmd+F)を押し、名前、会社名、見出しなど、ページに載っているとわかっている語を検索してください。ビューアーが正しい位置をハイライトすれば、そのページには使えるテキストレイヤーがあります。見つからない場合はそのページを見てみましょう。たいていは文字が薄いか、傾いているか、斜めから撮影されています。
数字には特に注意してください。単語の中の読み間違いは前後の文脈で気づけますが、数字の読み間違いは気づけません。よくある取り違えは形の似た文字同士で、ゼロと英字のO、1と小文字のl、5とS、8とBなどです。認識したスキャンから口座番号、金額、日付をコピーするときは、使う前に元の画像と1桁ずつ見比べてください。
次にできること
手元にあるのがPDFではなく写真やスクリーンショットなら、画像から文字を抽出で文字を直接テキストとして取り出せます。
PDFが検索できるようになったら、文章を編集するためにWordに変換したり、テキストを抽出したりできます。スキャンしたファイルは容量が大きくなりがちなので、メールで送る前に圧縮するのもおすすめです。
Macで紙の書類をスキャンするなら、MacでスキャンしてPDFにする方法で、iPhoneのカメラや「イメージキャプチャ」を使う方法と、スキャンしたファイルをここで文字認識する流れを紹介しています。