PDF OCR（検索できるPDFを作成）

スキャンした契約書や写真で撮ったフォームは、ただの画像なので、検索したり、文章をコピーしたり、スクリーンリーダーで読み上げたりすることができません。OCR（光学文字認識）は、各ページの文字を読み取り、透明なテキストレイヤーとして追加します。PDFの見た目はまったく同じまま、検索や選択ができるようになります。認識はブラウザ内で実行され、文書がアップロードされることはありません。

使い方

1. スキャンしたPDFを選びます。
2. 文書の言語を選びます。韓国語 + 英語、日本語 + 英語、中国語 + 英語は、2つの言語が混在する文章に使えます。
3. 通常の文書には200 DPI、小さい文字には300 DPIを使い、一部のページだけ必要ならページを絞ります。
4. 各ページが認識されるのを待ち、検索できるPDFと、必要ならプレーンテキストもダウンロードします。

計算式

各ページを選んだDPIで描画（ピクセル = ポイント ÷ 72 × DPI）し、Tesseractエンジンが認識して、見えないフォントのテキストのみのPDFページを返します。そのページを元のページサイズに合わせて、元のページの上に描画します。

回転して表示されるページも、テキストレイヤーが見た目と合うように処理されます。実際のテキストが5文字以上あるページは、初期設定ではスキップされます。

計算例

12ページのスキャンした賃貸借契約書を200 DPIで処理すると、A4の各ページが認識用に1,654 × 2,339pxの画像になり、ノートパソコンでは1ページあたり数秒かかります。結果は、スキャン画像をそのままにテキストレイヤーを加えるので、貸主の名前を検索すると、その名前が出てくるすべてのページが見つかります。

ダウンロードサイズと精度

初回は、公開CDNから認識エンジンと言語データをダウンロードします。言語によっておよそ10〜20 MBで、その後はブラウザがキャッシュします。精度が最も高いのは、まっすぐで均一に照らされたスキャンを、200〜300 DPIで印刷された文字に適用した場合です。手書き、スタンプ、非常に小さなフォントの表、斜めから撮影した写真では間違いが増えるため、重要な名前や数字は確認してください。