OCRとスキャン文書：検索可能なPDFとテキストレイヤー
光学文字認識 (OCR)、テキスト抽出、スキャン文書の検索性について解説します。
徹底したプライバシー保護
ファイルはWebAssemblyとHTML5 APIを使用し、お使いのブラウザ内でローカル処理されます。外部サーバーへのアップロードやサードパーティによるファイルの保存は一切行われないため、データがデバイスの外に出ることはありません。
待ち時間なし。速度制限なし。
お使いのデバイス上ですぐに変換を開始できます。アップロードの待ち時間やダウンロードのキュー、リモートサーバーによる速度制限はありません。
完全無料、無制限アクセス
アカウントの作成、有料プランへの加入、人為的なファイルサイズ制限を受けることなく、すべてのツールを自由にご利用いただけます。ブラウザとデバイスの性能の限界まで、何度でも変換可能です。
フォーマットの比較と技術仕様
| 出力形式 | 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 | 書式なしテキスト |
| 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詳細
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。
OCR向けスキャン解像度の選び方
推奨解像度は資料と目的によって異なります。米国国立公文書館は現代の印刷テキスト文書に少なくとも300ピクセル/インチを推奨しています。細部の多い資料や異なる撮影目的では、より高い設定が必要な場合があります。代表的なページで試し、読みやすさ、OCR結果、ファイルサイズのバランスを確認してください。
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。