OCR PDF

OCR とは何か、実行すると何が変わるのか

光学文字認識（OCR）は、テキストの画像を、コンピューターがコピー・検索・ インデックス化できる本物の文字へと変換します。「スキャンした」PDF とは、 PDF というコンテナの中に貼り付けられたページ画像の束にすぎません。 見えている言葉は文字ではなくピクセルです。OCR の後、文書はそれらの ピクセルの上に見えないテキスト層が重ねられた状態になり（見た目は 同じですが Ctrl+F が効きます）、あるいはテキストを書式なしの .txt ファイルに抽出して、別の場所に貼り付けられるようになります。 上ではどちらのモードも選べます。

このページの OCR の仕組み

Google のオープンソースエンジン Tesseract を WebAssembly にコンパイルした Tesseract.js を、お使いのブラウザータブの中で実行しています。 OCR を実行をクリックすると、次のことが起こります。

1. PDF の各ページが PDF.js によって 300 DPI でキャンバスにラスタライズされます。
2. キャンバスのピクセルが Tesseract.js に渡され、認識したテキストと行ごとの境界ボックスが返されます。
3. 検索可能な PDFでは、元のページを新しい PDF にコピーし、認識したテキストを不透明度 0 で重ねます。目には見えませんが、選択でき、検索できます。
4. テキストのみでは、各ページのテキストを 1 つの .txt ファイルに連結します。

このパイプラインのどこもサーバーを呼び出しません。PDF.js、Tesseract.js、 pdf-lib はすべてクライアント側で実行されます。OCR に関係するネットワーク リクエストは、学習済み言語モデルの 1 回限りのダウンロード（言語あたり およそ 5〜15 MB）だけで、その後はブラウザーが次回のためにキャッシュします。

正直な期待値

• 300 DPI のきれいな印刷テキスト：通常、文字あたり 95〜98% の精度。検索や、わずかな修正でのコピー&ペーストには十分です。
• 低解像度（200 DPI 未満）や写真撮影したページ：精度は急落します。Tesseract には鮮明な文字の輪郭が必要です。可能ならより高い DPI で再スキャンしてください。
• 複数段組のレイアウトや表：テキストは段をまたいで行ごとに返されます。論理的な読み順には並べ替えません。表には PDF to Excel をご検討ください。
• 手書き：確実には対応していません。Tesseract は印刷書体で学習されており、手書き文字はたいてい判読不能なまま返ってきます。
• 複数の文字体系が大きく混在：1 ページがアラビア語と半分ラテン文字なら、優勢な方を選んでください。複数文字体系の OCR は可能ですが、より遅く、精度も落ちます。

プライバシーとセキュリティ

OCR は、ブラウザー内処理がとりわけ価値を持つ分野です。スキャンした文書は、 人が持つものの中でも最も機微なもの（パスポートの写し、納税申告書、契約書、 診療記録、賃貸契約）であることが多く、それを第三者のサーバーに送ると、 消すことのできない痕跡が残ります。パイプラインのすべてのバイトがローカルで 実行されるため、記録すべきアップロードも、押収されうる一時ファイルも、 信頼を委ねる保持期間もありません。OCR エンジン自体がオープンソースで、 検証可能です。