複数のソースから組み立てられた PDF には、スキャンされた画像ページとデジタルで作成されたテキスト ページが混在していることがよくあります。最初の 10 ページは、レポートのエクスポートからの鮮明なデジタル テキストです。次の 5 つは、手書きのメモをスキャンした画像です。付録は両方を組み合わせたものです。このハイブリッド ドキュメントにより、処理上の課題が生じます。OCR はスキャンされたページでのみ機能し、デジタル テキストに適した圧縮設定はスキャンされた画像には間違っており、検索ツールは一部のページではコンテンツを見つけますが、他のページでは見つけられません。
混合 PDF を適切に処理するということは、ドキュメントを個別のファイルに分割せずに、各ページ タイプを適切に処理することを意味します。このガイドでは、どのページにどのような処理が必要かを特定する方法、操作を選択的に適用する方法、検索可能で適度なサイズで外観の一貫性のある統合された出力を生成する方法について説明します。
文書管理会社 M-Files による 2024 年の分析によると、スキャンされた PDF とデジタル PDF が混在しており、企業の文書リポジトリにあるすべての PDF の約 22 パーセントを占めています (M-Files、「Enterprise Document Composition Analysis」、2024)。ドキュメントはさまざまなソースから集められているため、ハイブリッド形式が一般的です。処理の課題は標準です。
どのページがどのページであるかを識別する
スキャンしたページを識別する最も簡単な方法は、テキストを選択してみることです。 PDF を開き、ページ上のテキスト上でカーソルをドラッグします。テキストが強調表示されてコピーできる場合、そのページはデジタルです。個々の単語を選択できず、カーソルでページ全体が画像として選択されている場合は、ページがスキャンされます。文書をページごとに確認し、どのページがスキャンされたかを記録します。これには一般的な文書の場合 1 分かかり、OCR が必要なページが正確にわかります。
For documents with many pages, a faster method is to search for a common word like the or and. The search results will only match on digital pages.一致しないページはスキャンされたページです。 The Scanned PDF identification step is essential because applying the wrong processing to a page type produces bad results. Compressing scanned pages too aggressively makes text unreadable. Not OCRing them makes content invisible to search.
選択的 OCR: スキャンしたページのみを処理する
デジタル ページで OCR を実行するのは無駄であり、オリジナルと競合する可能性のある 2 番目のテキスト レイヤーを追加することで実際に品質が低下する可能性があります。正しいアプローチは、デジタル ページには手を加えずに、スキャンしたページに対してのみ OCR を実行することです。一部のブラウザベースの OCR ツールはページ選択をサポートしており、OCR 処理のためにページ範囲を指定したり、個々のページを選択したりできます。
お使いのツールが選択的 OCR をサポートしていない場合は、PDF をスキャンされたセクションとデジタル セクションに分割し、スキャンされたセクションのみを OCR してから、すべてを結合して戻します。追加の分割およびマージ手順によりワークフローに数分かかりますが、無差別に OCR を実行するよりも良い結果が得られます。 WukongPDF の OCR PDF ツールとマージ機能は、この選択的アプローチをサポートしています。
混合ドキュメントの圧縮戦略
単一の圧縮設定を混合ドキュメントに適用すると、不均一な結果が生じます。スキャン画像に適した設定は、通常、テキストの読みやすさを維持するための中程度の圧縮ですが、デジタル テキスト ページには保守的すぎます。デジタル テキスト ページは、目に見える品質の低下なしにより積極的に圧縮できます。デジタル テキストに適した設定では、スキャンしたページが判読できなくなります。
解決策は、同じ分割、プロセス、マージ戦略です。つまり、スキャンされたセクションとデジタル セクションを分離し、コンテンツ タイプに適した設定でそれぞれを圧縮し、再結合します。混合ドキュメントの PDF ツール ワークフローは、単一のドキュメントを処理するよりも手順が多くなりますが、出力品質を考えると、余分な労力に見合うだけの価値があります。統一された設定で処理された混合ドキュメントでは、デジタル ページが肥大化したり、スキャンされたページが判読不能になったりします。
諦めて別居すべきとき
一部の混合ドキュメントでは、分割、プロセス、マージのアプローチにより、技術的には正しいものの、視覚的に一貫性のない結果が生成されます。スキャンされたページと異なる方法で処理されたデジタル ページは、最終的なドキュメントの見た目が異なります。単一のファイルよりも視覚的な一貫性が重要な場合は、スキャンされたセクションとデジタル セクションを別々の PDF として保存します。受信者は、不一致に見える 1 つのファイルではなく、それぞれが一貫しているように見える 2 つのファイルを受け取ります。 PDF Tools の決定は、独断的なものではなく実践的なものです。