スキャンしたPDFをOCR処理
このツールは、オープンソースの OCR エンジンである Tesseract.js を、ブラウザ内だけで実行します。PDF の各ページを高解像度の画像に変換してから、テキストに変換します。CPU とメモリを多く使います。すべて端末内で処理されるため、完全にプライベートな処理です。
使い方
- スキャンされたPDFを選択
- 「OCR を実行」を押してください(初回使用時にエンジンをダウンロードします)
- お待ちください — ページごとに5〜20秒
- テキストをコピー、または .txt ファイルとしてダウンロード
よくある質問
これでPDF自体が検索可能になりますか？それとも文字だけ別に取り出せますか？
テキストだけを別に出力します。出力は .txt ファイルとしてコピーまたはダウンロードできるプレーンテキストで、検索可能なテキスト層を加えた PDF ではありません。検索可能な PDF が必要な場合は、抽出したテキストと元のファイルを自分で組み合わせる必要があります。
英語以外の言語でも使えますか？
初期設定は英語です。ほかの言語での精度は、Tesseractの英語学習済みモデルがその文字をどれだけうまく扱えるかによります。ラテン文字以外の文字では、一般的に精度が低くなります。
OCRの精度はスキャンの品質によって変わります。300dpi以上で、白地に黒文字のくっきりしたスキャンなら95%以上の精度が得られます。かすれたページ、傾いたページ、手書きのページは信頼性が低くなります。