スキャンした PDF には有用なテキストが含まれていることがわかっていますが、そのテキストは印刷ページの画像内にロックされています。検索したり、コピーしたり、データを抽出したりすることはできません。スキャンをプレーン テキスト ファイルに直接変換すると、検索、コピーが可能で、すぐに分析できる形式でドキュメント コンテンツが得られます。このプロセスでは、OCR を組み合わせてテキストを認識し、抽出してクリーンなテキスト ファイルとして保存します。
スキャンした PDF をテキストに変換することの価値は、単なる利便性を超えています。 PDF から Text への変換により、ドキュメントのコンテンツにスクリーン リーダーでアクセスしたり、デスクトップ検索ツールで検索したり、テキスト分析ソフトウェアで処理したりできるようになります。 AIIM による 2025 年の調査では、体系的な文書デジタル化プログラムを導入している組織は、主に紙やスキャンされた文書に依存している組織に比べて、情報検索に費やす時間が 38% 少ないことがわかりました (AIIM、「インテリジェント情報管理業界の現状」、2025 年)。
検索可能な PDF とプレーンテキスト出力の違い
多くの OCR ツールは、デフォルトの出力として検索可能な PDF を生成します。元のスキャン画像はそのまま残り、その後ろに非表示のテキスト レイヤーが追加されます。 PDF 内のテキストを検索して選択することはできますが、テキストは PDF コンテナー内にラップされたままです。スタンドアロンのテキスト ファイルに変換すると、PDF コンテナが完全に取り除かれ、認識されたテキストのみが残ります。
プレーン テキスト ファイルには、検索可能な PDF に比べていくつかの実用的な利点があります。どのデバイスのどのテキスト エディタでも即座に開きます。電子メール、ワープロ、Web フォームに直接貼り付けることができます。これは、コマンド ライン ツール、検索ユーティリティ、テキスト分析スクリプトで処理できます。ファイル サイズは通常、スキャンされた元の PDF の 1 ～ 5% であるため、保存や共有が簡単です。
画像や書式設定要件がほとんどなく、主にテキストを含むスキャン PDF ドキュメントを処理する場合、多くの場合、プレーン テキストが最も便利な出力形式です。その代償として、すべての書式設定、画像、レイアウトが失われます。表やフォームなど、ドキュメントの構造が重要な場合は、代わりに CSV や書式設定された Word などの構造化された出力形式を検討してください。
テキスト抽出のための OCR の実行
OCR 出力の品質によって、結果として得られるテキスト ファイルの品質が決まります。 OCR を実行する前に、スキャン品質を確認してください。 300 DPI 以上でのスキャンでは、150 DPI でのスキャンよりも大幅に優れた認識が得られます。スキャンが暗すぎる、明るすぎる、またはコントラストが不均一な場合は、OCR の前に画像クリーンアップ前処理を実行して画像を正規化します。
OCR エンジンに適切な言語を選択します。間違った言語設定を使用すると、エンジンは互換性のない文字セット間の文字マッピングを推測することになり、ガベージ出力が生成されます。多言語ドキュメントの場合は、多言語言語パックを選択するか、ドキュメントをセクションごとに処理して、各セクションに適切な言語を適用します。
ほとんどの OCR PDF ツールでは、出力形式を選択できます。ツールがプレーン テキストまたは TXT 出力オプションを提供する場合は、それを選択して、スキャンされた PDF からテキスト ファイルに直接変換します。このツールが検索可能な PDF のみを出力する場合は、テキスト抽出ツールを使用するか、単に PDF 内のすべてのテキストを選択してテキスト エディターにコピーするだけで、2 番目のステップで検索可能な PDF をテキストに変換します。
OCR出力のクリーンアップ
OCR 出力は決して完璧ではありません。認識エンジンは、特に特殊なフォント、印刷品質の低下、または複雑なレイアウトの場合にエラーを発生します。 OCR テキストのクリーンアップには、アーティファクトの削除、認識エラーの修正、元の段落構造の復元が含まれます。必要なクリーンアップの量は、スキャンの品質と使用する OCR エンジンによって異なります。
一般的な OCR アーティファクトには、文字間の余分なスペース、段落区切りの欠落、エンジンがノイズをテキストとして誤認識したランダムな文字などが含まれます。スペル チェッカーは多くの誤認識された単語を検出しますが、正しくスペルが間違っている単語は見逃します。OCR 出力では、元の文書に出現した単語ではない有効な単語が形成されます。
正確さが重要な文書の場合は、元のスキャンに対して全文を校正します。 OCR 出力を声に出して読むと、脳が書き言葉とは異なる方法で話し言葉を処理し、視覚的に読み飛ばす可能性のある単語の置換をキャッチするため、エラーがより顕著になります。
Scan-to-Text パイプラインの自動化
スキャンした PDF を定期的にテキストに変換する場合、パイプラインを自動化すると時間を大幅に節約できます。自動化されたワークフローは、新しくスキャンされた PDF のフォルダーを監視し、それぞれで OCR を実行し、テキストを抽出し、標準のクリーンアップ操作を実行して、テキスト ファイルを出力フォルダーに保存します。プロセス全体はバックグラウンドで実行され、日常的な変換のための手動介入は必要ありません。
WukongPDF はブラウザを介して OCR とテキスト抽出を提供し、スキャンしたドキュメントを外部サーバーにアップロードせずに処理します。出力はブラウザ インターフェイスから直接テキスト ファイルとして保存できます。
大量のスキャンからテキストへの変換の場合は、バッチ処理を検討してください。ほとんどの OCR ツールは、一貫した設定で複数のファイルを順番に処理できます。同じ設定でバッチ処理を行うと、すべての出力ファイルが同じ形式と品質基準に従うようになります。
スキャンした PDF をプレーン テキストに変換すると、ファイル サイズが大幅に削減されます。画像として 30 MB を占める 60 ページの PDF をスキャンすると、生成されるテキスト ファイルのサイズは約 150 ～ 250 KB となり、元のサイズの 1% 未満になります。この圧縮率により、プレーン テキストは、通信、会議議事録、参考資料など、見た目が重要ではない文書の長期アーカイブに最適な形式になります。
表を含むスキャン文書からテキストを抽出する場合、プレーンテキスト出力で表の構造が保持されることはほとんどありません。列がインターリーブされ、行の配置が失われ、セルの境界が消えます。表形式のデータを含むスキャンされたドキュメントの場合は、プレーン テキストではなく、CSV や書式設定された Excel などの構造化形式に抽出することを検討してください。これらの形式では、数値データに不可欠な行と列の関係が保持されます。
スキャンされたドキュメントの OCR 精度は、ドキュメントの古さや状態によって大きく異なります。 1980 年代以前に印刷された文書では、最新の OCR エンジンがトレーニングされていない書体や印刷技術が使用されていることが多く、その結果、精度が低下していました。古い紙に現れる茶色のシミであるフォクスのある文書は、二値化ステップを混乱させます。歴史的文書の場合、プロジェクトを開始する前に OCR の精度について現実的な期待値を設定しておくと、結果に対する不満を防ぐことができます。
スキャンした PDF をテキストに変換した後、デスクトップ検索ツールを使用して結果のテキスト ファイルにインデックスを付けるか、ドキュメント管理システムに追加します。テキストは、それ自体内だけでなく、ドキュメント コレクション全体にわたって検索可能になります。ここで、スキャンからテキストへの変換による本当の生産性の向上が実現します。つまり、スキャンした PDF を 1 つずつ開いて読み込むのではなく、語句、名前、日付を検索することで、何百もの文書の中から適切な文書を見つけることができます。
機密情報を含むドキュメントの場合、プレーン テキスト出力には、スキャンされた元の PDF と同じセキュリティ処理が必要です。社会保障番号、財務データ、または個人の健康情報を含むテキスト ファイルは、同じ情報が含まれるスキャン画像と同様に機密性が高くなります。ソース ドキュメントに適用するものと同じアクセス制御、暗号化、および保持ポリシーをテキスト出力に適用します。
フランス語のアクセント、ドイツ語のウムラウト、スペイン語のチルダなどの発音区別記号を使用する言語でスキャンされたドキュメントの場合、OCR 出力でこれらの記号が正しく保持されていることを確認します。一部の OCR エンジンは、認識中に発音記号を削除し、記号なしの基本文字を出力します。すべてのアクセント付きの e が普通の e になるフランス語文書でも、人間は読むことができるかもしれませんが、技術的には正しくなく、正確なテキストが必要とされる正式な文脈や法的な文脈では問題が発生する可能性があります。
スキャンされた PDF の大量のバッチを処理する場合は、速度よりも品質を優先してください。通常は最も遅い設定である最高の精度設定で OCR を実行すると、クリーンアップ時間が短縮されます。高速モード OCR と精度モード OCR の違いは、文字精度の 5 ～ 15 パーセント ポイントになる可能性があり、100 ページの文書の場合、その違いは何千もの個別の文字エラーに相当し、手動で見つけて修正する必要があります。
スキャンした PDF に印刷されたテキストに加えて手書きの注釈が含まれている場合、OCR エンジンは両方を認識しようとします。手書き認識は、すべての OCR エンジンにおいて印刷テキスト認識よりも精度が大幅に低くなります。印刷されたテキストのみが重要な文書の場合は、手書き領域を無視できる OCR ツールの使用を検討するか、処理前にスキャンから注釈を手動で削除します。これにより、手書き認識でよく発生するランダムな文字シーケンスが発生せず、よりクリーンなテキスト出力が生成されます。
スキャンした PDF をテキストに変換するスキャンからテキストへのワークフローは、プロジェクトではなく習慣になった場合に最適に機能します。バックログを蓄積するのではなく、スキャンされた各ドキュメントを受信したときに処理します。スキャンした 1 つの PDF を到着時に変換するには 2 分かかります。 1 年分のスキャンが蓄積されたフォルダーを作成するには午後かかります。同じ原則が出力テキスト ファイルの名前付けと編成にも当てはまります。つまり、一貫した規則を即座に適用する方が、遡って再編成するよりも簡単です。
スキャンされた PDF から出力されたよく整理されたテキスト ファイルは、ドキュメント ライブラリ内で永続的に検索可能な資産となり、元のスキャンよりも長持ちし、ソース ドキュメントがデジタル化された後も数十年にわたってアクセスできます。
適切な OCR 設定に費やした労力は、その後何年にもわたって簡単に検索できるようになり、何度も戻ってきます。
| 出力フォーマット | 最適な用途 | 保持 | 負け |
|---|---|---|---|
| プレーンテキスト (.txt) | 検索、コピー、分析、アーカイブ | テキストの内容 | 書式設定、画像、表、レイアウト |
| 検索可能なPDF | 検索機能付きの読書 | 元の外観 + 隠しテキストレイヤー | 視覚的には何もありません。テキストレイヤーにエラーがある可能性があります |
| 書式設定された Word (.docx) | レイアウトを保存して編集する | テキスト + 基本書式 + 画像 | 複雑なレイアウト、ベクター グラフィックス |
| CSV/エクセル | 表形式のデータ抽出 | 行/列構造 | 説明テキスト、書式設定、画像 |