OCRとスキャン文書：検索可能なPDFとテキストレイヤー
光学的文字認識（OCR）、テキスト抽出、およびスキャン文書の検索性について。
🔒100% プライベート
ファイルはHTML5 CanvasとWebAssemblyを使用して、お使いのウェブブラウザ内で完全に処理されます。データがデバイス外に出ることは一切ありません。
⚡圧倒的なスピード
アップロードやダウンロードの待ち時間は不要です。サーバーの制限を受けず、お使いのマシンのハードウェア性能をフルに活かしてローカルで変換が行われます。
📐ユニバーサル規格
公式のISO、W3C、IETF仕様に準拠しており、最新のオペレーティングシステム間での出力互換性を保証します。
フォーマットの比較と技術仕様
| 出力フォーマット | MIMEタイプ | 仕様 | タイプ |
|---|---|---|---|
| PDF スキャン済みPDF | application/pdf | ISO-32000-2 | ビットマップスキャン済みPDF |
| IMG スキャン済み画像 | image/jpeg | W3C-PNG | スキャン済みドキュメント画像 |
| TXT プレーンテキスト | text/plain | RFC-4180-CSV | 書式なしプレーンテキストファイル |
| DOCX Word文書 | application/vnd.openxmlformats-officedocument.wordprocessingml.document | ISO-IEC-29500 | Microsoft Word OpenXMLドキュメント |
| HOCR HTML | text/html | HOCR-SPEC-12 | hOCR空間レイアウトマークアップ |
| PNG 画像 | image/png | W3C-PNG | ポータブル・ネットワーク・グラフィックス |
| JPG JPEG画像 | image/jpeg | W3C-PNG | Joint Photographic Experts Group画像 |
| PDF 文書 | application/pdf | ISO-32000-2 | ポータブル・ドキュメント・フォーマット |
技術仕様とコーデックの内訳
⚙️
検索可能なPDFの仕組み
スキャンされた文書は、単なる紙の写真です。OCRエンジンは文字の形を認識し、画像の真上に不可視の選択可能なテキストレイヤーを挿入します。PDF内のテキストをハイライトまたは検索するときは、その不可視のテキストレイヤーを選択しています。
📜
スキャンにおける300 DPIの最適値
150 DPIで文書をスキャンすると、文字の欠損やOCR精度の低下を招きます。600 DPIでスキャンすると、テキスト認識精度が向上しないままファイルサイズが4倍になります。300 DPIは、高いOCR精度とコンパクトなファイルサイズを両立させる普遍的な最適値です。
💡役立つ情報
外部サーバーへのデータ送信は0バイトです。すべての処理はお使いのブラウザのサンドボックス内でローカルに実行されます。