PDF スキャン／検索可能判定

「この PDF にテキストはあるか」は間違った問いです

PDF は 1 ページ目が検索可能で、2 ページ目が写真ということがあります。よくある確認方法 —— テキストを抽出し、何か見つかったら合格とする —— は、そのどちらも取り違えます。そして実務でもっとも多いケースでも間違えます。すでに OCR を通したスキャンは、見えているピクセルがすべて画像であっても、本当に検索できるからです。

このツールはページ単位で動作し、結論を出す前に互いに独立した 6 つの手がかりを集めます。

• 抽出されたテキスト — 抽出器が実際に取り出せる単語数と文字数。
• テキストの描画モード — モード 3 で描かれたグリフは見えません。OCR ソフトが認識結果をスキャン画像の上に書き込むときの方法そのもので、OCR 済みスキャンと本来のテキストページを見分ける唯一確実な手段です。
• 描かれた画像 — 各画像がページのどこに置かれ、面積の何割を占めるか。
• 実効 DPI とビット深度 — CCITT や JBIG2 で圧縮された 1 ビット画像は、写真でもロゴでもなくスキャナーの出力です。
• ベクターパス — 組版ソフトが作ったページには罫線や枠線がほぼ必ずあります。素のスキャンには一本もありません。

得られるもの

各ページは 本来のテキスト、スキャン画像、スキャン + OCR 層、混在、空白 のいずれかに分類され、確度と、そして何より重要な「その分類を導いた事実の一覧」が添えられます。判定に納得できないときは、どの手がかりが効いたのかをその場で確認できます。

文書全体のまとめは、あなたが本当に知りたいことに答えます。最後まで検索できるのか、できないならどのページに OCR が必要なのか。レポート全体は CSV または JSON で書き出せます。

限界

PDF の中に「私はスキャンです」と書かれた場所はないため、これは推論です。テキストをアウトライン化したページにはテキストオブジェクトがなく、スキャンと区別がつきません。OCR の質が低いスキャンは技術的には検索できても実用にはなりません。どちらも、自信ありげな断定ではなく根拠つきで報告します。

プライバシー

ファイルがパソコンの外に出ることはありません。解析、レンダリング、サムネイル、レポートのすべてがブラウザー内で完結します。