スキャンした文書があり、そこからテキストを抽出する必要があります。 2 つのオプション: OCR ツールを使用して実行するか、自分で再入力します。通常、直感的に OCR を選択します。OCR の方が高速で、自動化されており、明らかに正しい選択のように思えます。しかし、OCR が常に正しい答えであるとは限りませんし、手動での再入力が常に間違っているとは限りません。最適な選択は、ドキュメントの外観と出力に対して何をする必要があるかによって異なります。
OCR の実際の機能と不十分な点
OCR (光学文字認識) は、画像をピクセルごとに分析し、既知の文字パターンに一致する形状を識別し、テキストに変換します。最新の OCR は本当に優れており、複数のフォント、混合言語、および妥当なスキャン品質を高精度で処理します。 www.wukongpdf.com にある WukongPDF の OCR PDF ツールは、スキャンされた文書を処理し、手動入力なしで検索可能で選択可能なテキストを返します。
ただし、OCR の精度は 100% ではなく、完璧からのギャップはユースケースによって異なります。 99% の精度の文書は良いように思えますが、1,000 ワードの文書でも 10 個のエラーが含まれていることに気づきます。このエラーは、出力全体をオリジナルと照合して校正しない限り検出できない可能性があります。法的契約書、財務報告書、または正確さが重要な文書の場合、それらのエラーはレビューなしで許容されません。
OCR が断然勝者となる場合
ボリュームに関しては OCR に匹敵しません。デジタル化するページが 10 ページ、50 ページ、または 500 ページある場合、再入力することは現実的な選択肢ではありません。 OCR は、長さに関係なくページを数秒で処理します。時間的な利点は非常に大きいため、完全な校正パスを考慮しても、依然として OCR が大差で勝利します。
OCR は次の場合にも意味を持ちます。
- 主な目標は、完璧な精度ではなく、検索しやすさです。たとえば、古い文書のアーカイブをキーワードで検索できるようにすることです。
- 文書がきれいで、明るく、標準フォントで入力されている - OCR の精度が最も高い条件
- 生のテキストだけではなく、見出し、段落、列などの文書構造を保持する必要がある
実際には手動で再入力した方が良い場合
再入力には、OCR よりも決定的な利点が 1 つあります。それは、入力した内容がそのまま出力されるということです。認識エラー、文字の置換、スキャンの汚れによる文字化けはありません。正確性を保証する必要があり、文書が短い場合は、多くの場合、OCR を実行して結果を校正するよりも、再入力する方が高速です。
次の場合には、手動再入力が有効になる傾向があります。
- 文書は 1 ページ以下と短く、全文ではなく特定の情報のみが必要です
- スキャン品質が低い - 手書きのメモ、色あせたインク、異常なフォント、または激しい背景ノイズがあると、ほとんどの OCR エンジンが機能せず、再入力にかかる時間よりも多くの修正が必要な出力が生成されます。
- 内容は主に数字、コード、または識別子であり、単一の文字が間違っていると重大なエラーが発生します (シリアル番号、アカウント番号、参照コードなど)。
- 作業を進めながら再フォーマットします。単に内容をそのまま抽出するのではなく、別の目的のためにコンテンツを再構築します。
ほとんどの人が思いつかないアプローチ: OCR を使用してスポットチェック
正確さが重要な中程度の長さの文書の場合、最も効率的なワークフローは、多くの場合、すべてを校正するのではなく、OCR を実行してテキストの大部分を取得し、次にエラーが含まれる可能性が最も高いセクションをスポットチェックするという組み合わせです。
OCR エラーは、スキャンがわずかにぼやけている領域、異常な書式設定のセクション、テキストに数字が混在している箇所、およびスキャンがわずかに歪んでいる可能性があるページの端付近など、予測可能な場所に集中します。それらの領域を注意深く確認し、残りをざっと読んでください。このハイブリッド アプローチでは、生の出力をチェックせずに受け入れるよりも大幅に高い精度で、OCR の速度の利点を最大限に活用できます。
スキャンした文書を扱うほとんどの人にとって、OCR は十分に仕事を処理できるため、手動で再入力することがより良い選択肢になることはほとんどありません。例外は、短いドキュメント、精度が重要なドキュメント、または低品質のドキュメントです。そのような場合は、「より高速な」ドキュメントが優先されることを認識する価値があります。レビュー時間を考慮すると、自動化オプションのほうが実際には必ずしも速いとは限りません。
一文での決断
ページより長いもの、検索可能性が目的のもの、またはクリーン スキャンのものには OCR PDF を使用します。文書が短い場合、スキャン結果が不良である場合、または特定の値に対してエラーゼロの精度が必要な場合は、再入力します。疑わしい場合は、まず OCR を試してください。出力がきれいであれば完了です。大幅な修正が必要な場合は、アプローチを切り替えます。