PDF文字認識（OCR）

使い方

1. ファイルを選択で、スキャンしたPDFを選びます。ファイル名の下にページ数が表示されます。
2. ページを空欄のままにすると最初の20ページを読みます。1-3, 8のようにページを入力することもできます。1回の読み取りは最大20ページです。
3. 文字の言語を選び、文字を読み取るを押します。各ページは読み取られるたびに、それぞれの見出しの下に表示されます。キャンセルでいつでも止められます。
4. 確認が必要とされたページは、スキャンと見比べてから、コピーを押すか、ダウンロードで.txtファイルを保存します。

ページの読み取り方

各ページは、PDFから300 dpiで描画されます。非常に大きいページは、ブラウザのメモリに収まるように小さく描画されます。画像は、Tesseract（オープンソースの文字認識エンジン）が読み取ります。Tesseractはウェブワーカーで動くため、読み取り中もページは操作できます。エンジンは文字の行を見つけ、選んだ言語の印刷文字で学習したニューラルネットワークで1文字ずつ読みます。言語ファイルはtessdata_fastの高速モデルです。

よく読めるスキャンの条件

200 dpi以上の、まっすぐで鮮明な、濃い色の文字が、無地のページにあるものが最もよく読めます。傾いたページ、薄いページ、影のあるページや、脚注のような非常に小さい文字は、読み取りの精度が下がります。手書きや装飾的な書体は、エンジンが印刷文字のために作られているため、確実には読めません。文字のないページ（白紙や図など）は、文字がないと報告されます。

1回の読み取りの限界

1回の読み取りは最大20ページです。エンジンの起動に最大2分、1ページごとに最大1分かかります。時間を超えた読み取りは停止され、それまでに読み取ったページは欄に残ります。各ページの確信度は、エンジンが単語について出す推定値です。60未満のページは確認が必要とマークされます。それは目安であり、すべての単語が正しいことの証明ではありません。テキストを含むPDFにはOCRは不要で、PDFからテキストが保存されている文字をそのまま読みます。

ファイルはお使いの端末に残ります

PDFは、オープンソースのpdf.jsによってブラウザの中で開かれ描画されます。エンジンは画像を、ワーカーの中で読み取ります。何もアップロードされず、ブラウザにも当サイトのサーバーにも保存されません。このページを離れると、文字の欄は空になります。

よくある質問