OCR PDF

任意のビューアでファイルを開き、1行のテキストを選択してみてください。何もハイライトされない、または検索で一致するものが見つからない場合、そのページは単なる画像（スキャンや写真）で、足りないテキストを追加するのがOCRです。すでに選択できるテキストがあるPDFには、このツールは必要ありません。

100種類を超えるTesseractの言語パックが一覧にあり、英語やスペイン語からアラビア語、ヒンディー語、日本語、中国語まで対応しています。ドキュメントに登場するすべての言語にチェックを入れてください。パックはまとめて読み込まれるため、複数の言語が混在するページも、1回の処理で認識されます。セルフホストの環境によっては、より短い一覧が同梱され、言語の選択欄の上にその旨が表示されます。

いいえ。元のページはそのままコピーされ、スキャンに合わせて単語ごとに位置を合わせた見えないテキストレイヤーが、その上に描かれます。見た目は以前と同じ画像ですが、テキストを検索、選択、コピーできるようになります。

高（288 DPI）が既定で、一般的なオフィス文書に対応します。速度が重要なときや、ファイルが長いときは標準（192 DPI）に下げ、小さな文字、脚注、状態の悪いスキャンには、超高（384 DPI）を使ってください。設定が高いほど、認識の前にすべてのページがそのサイズで描画されるため、かなり時間がかかります。

出力を決まった文字のセットに制限して、小文字のlが1と読み取られるような誤りを減らします。「請求書」プリセットでは、数字と記号の$ . , / - # :だけを許可します。「数字のみ」はシリアル番号やメーターの数値に向いており、「カスタム」では独自のセットを入力できます。

確実にはできません。Tesseractは印刷された文字で学習されているため、整った大文字のブロック体なら認識できることもありますが、筆記体はほとんどの場合ノイズになります。結果が最も良いのは、きれいで明るく撮れた印刷ページです。かすれたスキャンやコントラストの低いスキャンには「二値化」オプションが役立ち、傾いたものは先にPDFの傾き補正でまっすぐにできます。

はい。OCRが終わると、抽出されたテキストがボックスに表示され、内容を確認したり、クリップボードにコピーしたり、ocr-text.txtとしてダウンロードしたりできます。検索可能なPDFのダウンロードは別になっているため、どちらか一方でも両方でも入手できます。

いいえ。Tesseractはブラウザ内でWebAssemblyとして動作し、ダウンロードされるのは、OCRエンジンと選択した言語パックだけで、それらも初めて必要になったときに取得されます。スキャンしたページと認識したテキストは、お使いのデバイスに残ります。