OCR(文字認識)

古い契約書やレシートの束、撮影した資料のページは、目で見れば読めるのにCtrl+Fでは何も見つかりません。スキャンしたPDFの中身は文字ではなく文字が写った画像で、端末から見えているのは点の集まりだからです。光学文字認識はその点の並びを読み取り、検索やコピーができる文字に戻します。

認識する言語は、韓国語と英語、英語のみ、韓国語のみ、日本語と英語、簡体字中国語と英語の五通りから選べます。和文の書類なら日本語と英語の組み合わせを選んでおくと、英数字が混ざったページもそのまま読み取れます。精度は原稿の状態でほぼ決まるので、三百dpi前後、傾きのないまっすぐなページ、綴じ目に影が落ちない均一な明るさを目安にしてください。手書きや文字に重なった印影、模様の入った背景、薄いコピーはいずれも精度を下げるため、金額や日付、参照番号は必ず目で確認してください。

結果はテキストとして取り出すほか、検索できるPDFとしても保存できます。後者は元のスキャン画像を見た目どおりに残したまま、認識した文字を透明な層として重ねる形式です。認識はすべてブラウザ内で動くので、初回はエンジンの読み込みに時間がかかり、処理時間はページ数に比例します。長い文書は何回かに分けるほうが安全です。もともとデジタルで作られたPDFなら、認識の誤りが起きないpdf-to-textのほうが確実です。