検索できるOCR PDF

03 / 使い方

使い方

PDFファイルを1つアップロードします。ファイルサイズは最大50MB、ページ数は最大500ページです。対応言語（英語、ドイツ語、フランス語）にチェックを入れ、解像度（150〜400 DPI、デフォルトは300）を数値フィールドに入力します。言語は複数選択可能です。

アップロード後、ファイルは自動的に処理されます。進捗状況は「アップロード中」、「待機中」、「実行中（パーセント表示）」と表示されます。処理が完了すると、結果ファイルがダウンロード可能になります。

04 / 処理の仕組み

処理の仕組み

アップロードされたファイルは、まずマルウェアスキャンが実行されます。感染したファイルが変換エンジンに到達することはありません。ファイルの種類はファイル名ではなく、実際のバイトを読み取って判定されるため、拡張子を.pdfに変更しても、実際のファイルがPDFでなければ拒否されます。

OCR処理はサーバー上で実行され、選択した言語がインストールされているか事前にチェックされます。言語が欠落している場合は、アップロード後すぐにエラーになります。

処理後、出力ファイルは再度開かれて検証されます。ページ数が変わっていたり、テキストが抽出できない場合は、ジョブは失敗とみなされ、壊れたファイルが渡されることはありません。

05 / 精度と限界

精度と限界

OCRの認識は完璧ではありません。手書き文字、特殊なフォント、低解像度のスキャン、接触している列などは認識精度が低下します。これはどのOCRエンジンでも同じです。

すでにテキストレイヤーを持つページは、常にそのままコピーされ、元の鮮明さとテキストが保持されます。ページが「検索可能」とみなされるのは、約12文字の実テキストが抽出できる場合で、そのようなページは再イメージ化されません。選択した解像度で再イメージ化されるのは、実際に認識が必要なページのみです。

解像度の設定は、再イメージ化が必要なページにのみ影響します。すでにデジタルテキストのページは品質を保ったまま処理されます。

06 / 処理結果の検証

処理結果の検証

ツールは出力を再度開き、テキストを読み戻します。ページ数が変わった場合や、ページが認識されたにもかかわらずテキストを抽出できない場合は、ジョブは失敗とみなされ、結果は返されません。見た目だけ検索可能なファイルが生成されることを防ぎます。

認識テキストレイヤーが追加されたことを示す警告「OCR_TEXT_LAYER_ADDED」が返されることがあります。これは、認識が完全ではないことを意味します。