PDF OCR テキスト修正

誰にも見えないものを直す

OCR を通したスキャン PDF は、スキャンを画像として持ち、認識された語を不可視テキストとしてその上に重ねています。認識が語を取り違えても画像は完璧なままで、静かに失敗するのは検索とコピー＆ペースト、そしてスクリーンリーダーだけです。

このツールはその隠れたレイヤーを編集します。スキャン画像は再エンコードも再圧縮も再描画もされません。

ファイルはどう変わるのか

ページのコンテンツストリームは演算子の並びです。スキャン画像を描くものもあれば、テキストを配置して表示するものもあります。ストリームを字句解析し、不可視テキスト演算子の文字列オペランドだけを差し替えます。それ以外のバイトの意味はすべて保たれます。位置指定演算子も、グラフィックス状態も、スキャンを描く演算子も、手を加えずに通過します。

だから修正後のページはずれることも、ぼやけることも、再圧縮されることもありません。これは約束ではなく、「何も作り直さない」ことの必然的な結果です。

読める形の検証

書き込み後、結果を開き直し、変更された各ページで 3 つの検査を実行します。

1. テキスト — 修正した語が、テキスト抽出器の返す内容と一致すること。
2. 不可視性 — レイヤーが依然としてレンダリングモード 3 で描かれ、可視グリフの数が変わっていないこと。
3. ピクセル — 修正後のページを描画し、元の描画とピクセル単位で比較すること。変化の割合はゼロであるべきです。

合否にかかわらず、3 つすべての結果がダウンロード前に表示されます。

拒否する場合

安全に書き換えられないページがあります。復号できないフィルターを使ったコンテンツストリームや、可視グリフと不可視グリフが混在していて可視側の無傷を保証できないテキストブロックです。そうしたページは名指しで拒否し、元のまま残します。拒否こそ正しい答えであり、黙って壊れたファイルを渡すことは正しくありません。

PDF のフォントで表現できない文字も同じ扱いです。可能な場合は標準の Helvetica を埋め込んで置換文字列を担わせ、それでも足りない場合はその編集をスキップして明示します。

プライバシー

解析、編集、保存、検証のすべてがブラウザー内で行われます。PDF がアップロードされることはありません。