PDF OCR レイヤー表示

誰にも見えないレイヤー

スキャンを OCR にかけても、認識エンジンは画像を置き換えません。スキャン画像はそのまま残し、認識した単語を PDF のレンダリングモード 3 —— 「塗りも線もなし」 —— でその上に書き込みます。テキストはそこにあり、選択も検索もできますが、どのビューアーもその 1 ピクセルすら描画しません。

これは理にかなった設計であると同時に、OCR の品質を判断できなくする設計でもあります。検索して見つからなければ「その単語が無い」ことは分かりますが、認識エンジンが「受領」を別の語と読み違えたのか、列をまるごと 1 行分ずらしたのかまでは分かりません。

このツールが見せるもの

認識された各単語は、元になったボックスの中に、由来となったスキャン画像の上に描き戻されます。表示は 4 種類です。

• 枠のみ — 輪郭だけを表示し、文字に邪魔されずに網羅性と位置合わせを確認できます。
• 画像に文字を重ねる — 認識された語を半透明でスキャン画像の上に描き、不透明度スライダーで調整します。認識がずれている箇所では、描かれた語が下のスキャン文字から目に見えてずれます。
• 文字のみ — 白紙の上にレイヤーだけを表示します。スクリーンリーダーが実質的に受け取る内容です。
• 画像のみ — 比較用に、元のスキャンをそのまま表示します。

単語・行・ブロックの各ボックスを切り替えられ、認識テキストを検索してページ上で該当箇所を確認でき、どのボックスをクリックしてもリスト内の該当項目に移動します。

品質の見極め

ページごとに、単語数と文字数、実際に不可視である割合、単語ボックスの平均サイズ、そして占有率 —— OCR のボックスがページ面積のどれだけを覆っているか —— が表示されます。ページの途中で諦めた認識エンジンは、欠落した語に気づくよりずっと前に、低い占有率として現れます。

形が統計的に不自然な語には印が付きます。母音がない、英字と数字が混在している、1 文字だけの断片、記号の連続、隣の語と大きく食い違うボックスなど。これらは 疑い であって誤りの断定ではありません。

書き出し

プレーンテキスト、各バウンディングボックスとフォントを含む JSON、後段のツール向けの hOCR 形式 HTML。座標は左上を原点とする PDF ポイントです。

プライバシー

アップロードは一切ありません。PDF の解析、描画、計測はすべてブラウザー内で完結します。