スキャンしたPDFをOCRでMarkdownに変換する方法

スキャンしたPDFをMarkdownに変換するには、MD Factoryに追加します。アプリは文字が画像としてしか存在しないページを見つけ、内蔵のOCRを使ってPC上で文字を認識し、PDFと同じフォルダーにMarkdownファイルを保存します。

OCRは、きれいに印刷されたページならうまく読み取れますが、かすれたページ、傾いたページ、手書きのページでは誤りが出ます。結果はスキャンと照らし合わせて確認する前提で使いましょう。以下では、通常のPDFと異なる点を取り上げます：OCR言語、「要確認」ステータス、表、手書き文字、スキャナーの設定。

暗い石の机の上に置かれた、スキャンした紙の束とクリップで留めた数枚の紙。 — スキャンしたページの文字は、OCRが読み取るまでは画像のままです。

スキャンしたPDFを変換する

MD Factoryを開きます。
「ファイルを追加する」をクリックしてPDFを選ぶか、ウィンドウにドラッグします。スキャンしたファイルのフォルダーをサブフォルダーごと変換するには、「フォルダーの追加」をクリックします。
変換はすぐに始まります。最初のPDFでは、ページの処理が始まる前に、行に「PDF エンジンのロード」と表示されます。
行に結果（「完了」「要確認」「失敗」のいずれか）が表示されるまで待ちます。
行に表示された結果のパスをダブルクリックすると、Markdownファイルが開きます。

MarkdownファイルにはPDFと同じ名前が付き、同じフォルダーに保存されます。写真や図などの画像がページに含まれている場合は、その隣のフォルダーに保存されます。PDF自体は変更されません。

Scans/
  lease-agreement.pdf
  lease-agreement.md
  lease-agreement_images/

PDFは1つずつ順番に変換され、処理一覧にあるほかの形式の文書はそれと並行して処理されます。アプリが読み込むのはローカルドライブ上のファイルだけです。スキャナーがネットワーク上のフォルダーに保存する場合は、先にPDFをPCにコピーしてください。

OCRが必要なページをアプリが判断する仕組み

文字が画像としてしか存在しないページには、OCRが必要です。MD FactoryはすべてのPDFについて選択できるテキストがあるかを調べ、次の2つの方法のどちらかを選びます。

選択できるテキストがどのページにもない場合は、ファイル全体をスキャンとして扱い、各ページ全体をOCRで認識します。
一部のページにテキストがある場合は、そのテキストをそのまま残し、文字が画像になっている部分だけにOCRを使います。例えば、パソコンで作成したレポートの中にスキャンしたページが入っている場合です。

このような混在したPDFも、事前の準備は不要です。私たちのテストでは、最初と最後のページがパソコンで作成したもの、真ん中のページがスキャンという3ページのファイルが、3ページすべてのテキストを含む1つのMarkdownファイルになりました。

MD Factoryが受け付けるスキャンはPDFファイルだけです。JPG、PNG、TIFFなどの画像ファイルはスキップとして一覧に表示されるので、スキャナーのアプリでPDF形式で保存するように設定してください。

PDFのすべてのページに選択できるテキストがすでにある場合、OCRは使われません。こうしたファイルについては、 PDFをMarkdownに変換するガイドで説明しています。

OCR言語を選ぶ

どのPDFも、最初はOCR言語が「自動(スクリプト検出)」に設定されています。このモードでは、アプリが各ページで使われている文字体系（ラテン文字、キリル文字、ギリシャ文字、アラビア文字など）を判別し、その文字体系用のモデルでページを読み取ります。300 dpi、12ポイントの文字のきれいなテストページで試したところ、「自動」は英語のページを誤りなく読み取り、ロシア語のページでも誤りは100文字あたり1文字未満でした。

言語を選ぶのは、PDFの処理結果が「要確認」または「失敗」になったときです。

処理一覧のすべての処理が終わったら、そのファイルの行のステータスをクリックします。見つかった問題の一覧がウィンドウに表示されます。
「OCR言語」の一覧を開き、文書の言語を選びます。
「リトライ」をクリックします。

言語を事前に選んでおく設定はありません。新しいPDFはどれも「自動」で始まり、次にリトライするときは、前回選んだ言語があらかじめ選択されています。

1ページに2つの言語がある場合でも、英語とドイツ語のように同じ文字体系なら「自動」で読み取れます。

文字体系が異なる場合、「自動」はページ全体をどちらか一方の文字体系として読み取ります。ほとんどの文字体系では、そのモデルが英語にも対応しているため、ギリシャ語やアラビア語のページにある英語の用語も通常は正しく読み取れます。例外はキリル文字です。私たちのテストでは、英語とロシア語が混在するページが「要確認」になりました。ページの主な言語を選んでリトライし、もう一方の文字体系の単語はスキャンと照らし合わせて確認してください。

スキャンにおける「要確認」の意味

「要確認」は、アプリがMarkdownファイルを保存したものの、確認すべき問題が見つかったことを意味します。スキャンの場合、ステータスから開くウィンドウには通常、次のいずれかのメッセージが、かっこ内のページ番号とともに表示されます。

メッセージ	状況	対処法
OCR はこの文書の一部を読み取ることができませんでした。言語を選択して再試行してください。	そのページで認識された単語の平均信頼度が75%未満か、ページの一部を読み取れませんでした。	文書の言語を選んでリトライします。言語がすでに正しい場合は、そのページをスキャンと照らし合わせて確認するか、スキャンし直してください。
ページには抽出されたテキストがありません。ソースと照らし合わせて確認してください。	そのページでは何も認識されませんでした。白紙のページにもこのメッセージが表示されます。	PDFでそのページを確認します。文字がある場合は、より鮮明にスキャンし直してください。

どのページからもテキストが得られなかった場合、ファイルは「失敗」となり、ウィンドウにはOCR言語を指定してリトライするよう案内が表示されます。

「完了」は、すべての文字が正しいという意味ではありません。チェックはページ全体の平均を見るため、ほかに問題のないページで1文字だけ誤認識されても、警告は出ません。前述のきれいなロシア語のテストページでは、1248という数字が124%と認識されました。

テキストを信頼して使う前に、使う予定の情報はすべてスキャンと照合してください。名前、日付、金額、口座番号やID番号などです。

傾き・ノイズ・かすれのあるページ

わずかな傾きや多少の汚れは問題になりません。私たちのテストでは、約1度傾き、少しぼやけ、細かい点が全体に散ったテストページも「完了」になりました。

質の悪いスキャンには警告が出ます。ぼやけてコントラストが低く、低解像度でスキャンされ、3.5度傾いたページは「要確認」になりました。

横向きや上下逆になったページは、変換前にスキャナーのアプリやPDFエディターで回転させてください。言語ではなく画質が原因で「要確認」になった場合は、後述の設定でスキャンし直します。

スキャンしたページの表

MD Factoryはスキャンしたページでも表を検出し、Markdownの表として書き出します。ただし、どのセルもOCRで読み取ったテキストです。表は誤りが目立ちにくく、数字の列に紛れた間違った数字も、正しい数字と同じくらいもっともらしく見えます。

表はスキャンと1行ずつ照らし合わせます。列の数値を合計し、印刷された合計と一致するか確認してください。値が違う行や列にずれている場合は、Markdownで修正します。PDFのガイドでは、行が崩れた表を直す例を紹介しています.

手書き文字

MD Factoryが認識するのは、印刷された文字とパソコンで入力された文字です。手書き文字には対応していないため、手書きのメモ、余白の書き込み、記入済みのフォーム欄は、意味の通らない文字列になったり、抜け落ちたりすることがあります。

手書きの部分は、変換されたテキストを当てにしないでください。スキャンを基準の資料として残し、その部分は自分で入力しましょう。

OCRに適したスキャン方法

認識の精度は画像の質で決まります。 TesseractのOCR品質改善ガイドには、画像が読み取りにくくなる原因がまとめられています。スキャンで気をつけるべき点は、次の5つです。

300 dpi以上でスキャンします。ガイドによると、解像度が300 dpi以上のときに認識が最もうまくいきます。
ページはガラス面にまっすぐ置きます。ページが傾いていると、文字の行を見分けるのがずっと難しくなります。
照明は均一にします。スマートフォンでページを撮影するときは特に注意してください。影や、ところどころ暗くなった背景があると、文字と紙を見分けにくくなります。
スキャナーのふたを閉じるか、余白を切り取ります。スキャンしたページの周りの黒い縁は、余分な文字として読み取られることがあります。
手元にあるいちばんきれいな原稿を使います。点状の汚れなどのノイズがあると、精度が下がります。

文書ごとに別々のPDFとして保存しましょう。MD FactoryはPDF 1つにつきMarkdownファイルを1つ作成するため、関係のない書類の束を1つのファイルにスキャンすると、1つの長いノートになってしまいます。

身分証明書、契約書、診療記録

スキャンには、パスポート、契約書、銀行の取引明細書、診療記録など、個人的なものが多く含まれます。MD FactoryはPC上で文字を認識し、PDFや認識したテキストをアップロードしません。

Markdownファイルはスキャンと同じ場所に保存されます。画像の中に閉じ込められていた文字が、フォルダーにアクセスできる人なら誰でも読んだり検索したりできるプレーンテキストになります。そのフォルダーがOneDriveなどのクラウドサービスと同期している場合は、Markdownファイルも同期されます。フォルダーの保存場所を確認する方法は、文書をアップロードせずに変換するためのガイドで説明しています。

法律、医療、金融に関する文書では、スキャンが原本です。Markdownは作業用のコピーとして扱い、その内容に基づいて行動する前に、すべての数値をスキャンと照合してください。不要になったら、Markdownファイルと画像フォルダーを削除しましょう。