ドキュメントをスキャンして PDF として保存すると、問題は解決したように感じます。紙を入れるとファイルが取り出されます。見た目は通常の PDF です。仕事は終わりました。そうではないことを除いては、実際にはそうではありません。スキャンされた PDF はドキュメントのように見えますが、写真のように動作します。その違いにより、実際にファイルを操作しようとするときに不意を突かれるような、驚くほど多くの実際的な問題が発生します。
核心的な誤解: テキストのように見えますが、テキストではありません
スキャンした文書を画面上で読むと、脳は単語、文、段落などのテキストを認識します。ただし、PDF ビューアでは、テキストそのものではなく、テキストの画像が表示されます。すべての文字は、たまたま文字のように見えるピクセルの集合です。基礎となる文字データ、検索可能なコンテンツ、コンピューターが解釈できる構造はありません。
これを確認する簡単な方法は、文書内の単語をクリックしてドラッグして選択してみることです。テキストベースの PDF では、カーソルが変化し、個々の単語を強調表示できます。スキャンされた PDF では何も起こらないか、ページ全体が 1 つの画像ブロックとして選択されます。この違いが、その後に起こるほとんどの問題の根本原因です。
内部を検索することはできません
スキャンした PDF で Ctrl+F を押すと、何も検索されません。または、内容ではなくファイル名が検索されます。 2 ページのフォームの場合、これは少し不便です。 200 ページの契約書、500 ページのマニュアル、または 10 年間の請求書のアーカイブの場合、検索できないことは重大な制限になります。探しているものを見つけるには、ドキュメント全体を手動で読む必要があります。
これは修正可能です。スキャンされた PDF を OCR PDF ツールで実行すると、画像コンテンツが実際のテキストに変換され、ファイルに埋め込まれます。 OCR 後、ドキュメントは完全に検索可能になります。Ctrl+F で単語が検索され、ファイルはファイル名だけでなく内容によってオペレーティング システムの検索に表示されます。 www.wukongpdf.com にある WukongPDF の OCR ツールは、これを 1 ステップで処理します。
テキストをコピーしても何も役に立ちません
スキャンした契約書から条項を電子メールに取り込む必要がありますか?それとも、スキャンしたレポートからスプレッドシートに図表を抽出しますか?テキストベースの PDF では、選択してコピーします。スキャンされた PDF では、何も得られないか、PDF ビューアがオンザフライで実行する基本的な OCR が得られますが、これは多くの場合、大幅な修正が必要になるほど不正確です。
この問題を回避するには、コンテンツを手動で再入力しますが、時間がかかり、エラーが発生します。あるいは、テキストのスクリーンショットを撮って、そこから読み取ろうとするのですが、これは厄介です。ドキュメントに対して適切な OCR を実行すると、まずこの問題がすべて排除されます。テキストが本物であれば、コピーは期待どおりに正確に機能します。
スキャンされた PDF が不釣り合いに大きい
Word からエクスポートされた 10 ページのテキスト文書は 200KB になる場合があります。同じ 10 ページを 300 DPI でスキャンすると、15MB になる可能性があります。これはタイプミスではありません。スキャンされた PDF は各ページを高解像度の画像として保存し、画像データは本質的にエンコードされたテキストよりもはるかに重いです。
これにより、電子メールの添付ファイルの制限、ポータルへのアップロードの遅さ、大規模なストレージ コストといった現実的な問題が生じます。解決策は圧縮です。優れた PDF Compression ツールを使用すると、画像を読み取り可能な状態に保ちながら、スキャンされた PDF を大幅に (多くの場合 60 ～ 80%) 削減できます。スキャンされたドキュメントの大規模なアーカイブの場合、保存前の圧縮は計画的に行う価値があります。
スクリーン リーダーからアクセスできません
スクリーン リーダー (視覚障害のある人が文書を読み上げるために使用するソフトウェア) は、ファイルのテキスト コンテンツを読み上げることで機能します。スキャンされた PDF には、スクリーン リーダーが検索できるテキスト コンテンツが含まれていません。ドキュメント全体は表示されません。このため、視覚障害のある人が文書を使用できるようにする必要があるあらゆる状況において、スキャンされた PDF はアクセシビリティに関する重大な問題になります。
専門分野や公共部門の文脈では、これは単なる礼儀の問題ではありません。多くの管轄区域におけるアクセシビリティのコンプライアンス要件はデジタル ドキュメントに適用され、画像のみの PDF はこれらの要件を満たしません。ここでも OCR が技術的な修正です。テキストが実際のものになると、スクリーン リーダーがそれを操作できるようになります。
問題を解決するのは思っているよりも簡単です
検索できないコンテンツ、コピーできないテキスト、サイズ超過のファイル、アクセシビリティの障害など、これらの問題はすべて同じ根本原因とほぼ同じ解決策を持っています。スキャンした PDF を OCR で実行してテキストを現実にし、それを圧縮してファイル サイズを小さくします。 2 つのステップを実行すると、ドキュメントは変装した写真ではなく、適切な PDF のように動作します。複数回作業する必要があるドキュメントの場合は、回避策で時間を無駄にした後ではなく、保管する前に作業する価値があります。