スキャンしたPDFをWordに変換する方法と、結果にばらつきが出る理由

画面ではまったく同じに見える2つのPDFでも、Wordに変換するとまったく違う結果になることがあります。一方はワープロソフトから保存されたもので、本物のテキストを含んでいます。もう一方はスキャナーやスマートフォンのカメラで作られたもので、各ページはテキストを撮影した写真です。後者を編集できる文書にするには、変換ツールはまず画像から文字を読み取り、次にページのレイアウトを推測しなければなりません。どちらの段階でも失敗することがあります。このガイドでは、それがどこで、なぜ起きるのか、そしてどう対処できるのかを説明します。

PDFがスキャンしたものかどうかを見分ける方法

いちばん手早い方法は、1つの単語を選択してみることです。単語が強調表示されずに、カーソルがページ全体を囲む四角形を描く場合、そのページは画像です。2つ目の方法は、Ctrl+F（MacではCmd+F）で検索してみることです。スキャンしたページでは、目に見えている単語でも何も見つかりません。

拡大してみるのも役立ちます。本物のテキストはフォントから描かれているので、どれだけ拡大しても鮮明なままです。スキャンしたテキストはピクセルでできているので、拡大するとぼやけて角張ってきます。

両方が混ざったスキャンもあります。スキャナーのソフトウェアは、ファイルを保存するときに文字認識を実行し、認識したテキストを画像の裏に隠すことがよくあります。そのため、選択や検索ができます。ただし、その隠れたテキストの精度は、スキャナーの推測の精度と同じです。段落をテキストエディターにコピーすれば、読み違いも含め、実際に何が入っているかがはっきりわかります。

OCRが実際に行っていること

OCR（光学文字認識）とは、テキストを写した画像を文字に変える処理です。いくつかの段階で進みます。まず画像が整えられます。傾いていればまっすぐにし、コントラストを調整します。次にソフトウェアはテキストを含む領域を見つけ、それを行と単語に分け、それぞれの形を学習した文字の形と照らし合わせます。判断が微妙な場合は、その言語の辞書を使って決めます。

辞書が重要なのは、単語にしか役立たないからです。OCRが「invoice」（請求書）を小文字のLで「lnvoice」と読んだ場合、辞書がそれを「invoice」に引き戻します。口座番号の1045を1O45と読んだ場合は、照らし合わせて直すものが何もありません。よくある混同は、多くのフォントで似て見える文字の間で起きます。0とO、1とlとI、5とS、8とB、そして「m」になってしまうことがある「rn」の組み合わせなどです。OCRの誤りが数字、名前、コードに潜んでいて、それらを最も念入りに確認すべきなのは、このためです。

スキャンごとに結果が大きく違う理由

同じ変換ツールでも、あるスキャンからはほぼ完璧なテキストを、別のスキャンからはめちゃくちゃなテキストを作ることがあります。その違いは、ほとんどの場合画像にあります。

解像度：OCRのために文書をスキャンするなら、300 DPIが一般的な推奨値です。約200 DPIを下回ると、小さな文字は似た文字を見分けるための細部を失います。脚注や申込書の裏面の規約などのごく小さな文字には、400 DPI以上が効果的です。
角度と曲がり：斜めから撮影したページや、本ののど元に向かって湾曲したページでは、テキストの行がまっすぐになりません。傾きの補正は役立ちますが、曲がった行では単語が抜けたりくっついたりすることがよくあります。
コントラストと背景：色の付いた紙、蛍光ペン、文字の上に押された印、何度もコピーを重ねた薄いコピーは、どれも文字を背景から見分けにくくします。
強い圧縮：低いJPEG品質で保存したスキャンは、各文字の輪郭がぼやけ、周りににじみが出ます。ファクス品質の白黒画像では、細い線が途切れます。
手書き：文書の変換に使われるOCRは、印刷された文字のために作られています。手書きのメモや署名は、たいてい誤って読み取られるか、画像のまま残ります。
言語とレイアウト：文字認識は文字体系と言語ごとに学習されているため、あまり一般的でない文字体系や、複数の言語が混ざったページは難しくなります。段組み、罫線のない表、画像の上の文字があると、レイアウトの段階はさらに難しくなります。

テキストが正しくてもWordファイルの見た目が違って見える理由

文字を認識するのは、作業の半分にすぎません。変換ツールは、ページをWordが理解できる形に組み立て直す必要もあり、そこにはトレードオフがあります。テキストを通常の流れる段落として書き出せば、編集はしやすいものの、元のレイアウトからずれていきます。テキストの各ブロックを正確な位置に固定すれば、見た目は正しくなりますが、あるブロックに文字を入力しても次のブロックが下に押し下げられないため、編集しにくくなります。

ほかの違いは、スキャンにそもそも含まれていない情報から生じます。OCRにはどのフォントが使われていたかがわからないため、Wordには似たフォントが使われ、改行位置がずれます。罫線のある表はWordの表として組み立て直せますが、罫線のない表はタブやスペースで区切られたテキストになることがあります。ヘッダー、フッター、ページ番号が本文に入ってしまうこともあり、ロゴ、印、署名は画像のまま残ります。

「PDFをWordに変換」でスキャンを変換する

当サイトの「PDFをWordに変換」ツールは、必要なページで自動的にOCRを実行するので、スキャンは編集できるテキストを含む.docxになって戻ってきます。すでにテキストを含むページは、そのまま変換されます。ファイルは文書変換サービス提供者に送られ、同提供者はファイルと結果を3時間以内に削除するとしています。サイズの上限は特にありませんが、アップロードを約40秒以内に終える必要があるため、非常に大きなスキャンには高速な回線が必要です。開くのにパスワードが必要なPDFは、先にロックを解除する必要があります。

変換する前に、やっておくとよいことがいくつかあります。

横向きや上下逆さのページを正しい向きにし、空白のページを削除します。「ファイル整理」なら、ファイルをアップロードせずに両方を行えます。
自分で紙をスキャンするなら、スキャナーの白黒モードではなく、グレースケールかカラーで300 DPIを使いましょう。白黒モードでは、OCRが読み取る前に細い文字が途切れてしまうことがあります。
必要なのが数ページだけなら、そのページだけを変換しましょう。後で確認する量が減ります。

結果に頼る前に確認すべきこと

実際のスキャンのほとんどで、OCRは誤りを犯し、誤ったときに警告もしません。変換した文書を送ったり提出したりする前に、次の点を確認しましょう。

重要なすべての数字：合計、日付、金額、口座番号や参照番号、電話番号。もっともらしく見えるかどうかではなく、スキャンと照らし合わせて確認します。
名前と住所：辞書に載っていることはまれなので、何も直してくれません。
スペルチェックで下線が引かれた語句：OCRが推測を誤った箇所には赤い下線が集中するため、Wordのスペルチェックは大まかな誤り探しに使えます。
小さな文字と余白：脚注、印、余白の書き込みは、丸ごと見落とされることが最も多いテキストです。
表：各値が正しい行と列に収まっているかを確認します。

うまくいかないもの

どんな変換ツールでも期待に応えられない文書があります。手書きの申込書、ファクス、画面の解像度で撮った文書のスクリーンショット、写真や図の一部になっている文字は、重要な部分については入力し直す必要があることがほとんどです。

当サイトのほかの2つのツールは、スキャンをまったく読み取りません。「PDFをExcelに変換」はPDFにすでに含まれているテキストだけを読み取るため、スキャンしたページから表を取り出すことはできません。「文書を翻訳」も、同じ理由でスキャンしたPDFを受け付けません。どちらの場合も、先に「PDFをWordに変換」でスキャンを変換してテキストを確認し、そのWordファイルをもとに作業できます。表はExcelにコピーし、.docxは翻訳しましょう。

まとめ

スキャンしたPDFのWordへの変換は、文字が何か、ページがどう組み立てられていたか、という2つの推測の連続です。鮮明でまっすぐな300 DPIのスキャンなら、どちらの推測もしやすくなり、数字と名前を丁寧に確認すれば、OCRの誤りを見つけられます。結果を元の文書の写しではなく、テキストの下書きとして扱えば、困ることはめったにありません。

テキストにしたいスキャンがありますか？PDF→Word変換ツールをお試しください。

← ブログに戻る