すべての PDF に認識が必要なわけではありません。デジタルドキュメントや、すでに認識済みのスキャンデータには、直接エクスポート可能なテキストレイヤーが含まれている場合があります。PDF をテキストに変換すると、その保存されたコンテンツを取得できます。重要なのは、抽出と OCR を区別し、再利用する前に読み取り順序を確認することです。
この例では、既存のテキストレイヤーを持つ公開ワークショップのパケットを使用しています。これを画像の認識として扱うのではなく、抽出された単語と目に見えるソースを比較してください。
PDFに既にテキストが含まれているか確認
PDF テキスト変換を開き、ドキュメントを選択します。デジタルレポートや以前に OCR 処理されたスキャンには、必要な単語がすでに含まれている場合があります。
ファイルが画像のみのスキャンである場合、抽出によってピクセルからテキストが作成されることはありません。空のテキストレイヤーを繰り返しエクスポートする代わりに、PDF OCR を使用してください。
ページと出力の配置を選択
ドキュメントの一部のみが関連する場合は、ページ範囲を入力します。連続して読む場合は1つのTXTファイルを、ページ単位で参照する場合は個別のファイルを選択してください。
範囲指定されたページ番号は、読み込まれた PDF 内の位置を指します。ファイルに表紙や番号のない序文が含まれている場合、印刷されたページ番号とは異なる場合があります。
PDF に使用可能なテキストレイヤーがある場合は、OCR を実行する前にテキスト抽出を試してください。
単語を抽出して確認
「開始」をクリックして保存されたテキストを抽出します。特にページに列、表、または脚注が含まれている場合は、結果を目に見えるソースと比較してください。
行末のハイフン、特殊文字、重要な識別子を確認してください。以前の OCR エラーは、正しいデジタルテキストと同様に簡単にエクスポートにコピーされてしまう可能性があります。
抽出された文章を引用または確認する際は、ページ参照を保持してください。
テキストをダウンロードしてソースコンテキストを保持
TXT または ZIP 形式の結果をダウンロードします。個別のファイルの場合は、ページベースのファイル名と付属の結合テキストを使用して、各パッセージの出典を追跡してください。
プレーンテキストは再利用を目的としており、PDF の視覚的な再現を目的としたものではありません。レイアウトや参照を確認するために元の PDF を保持し、画像コンテンツの認識がまだ必要なページに対してのみ OCR を使用してください。
よくある質問
PDFからテキストへの変換でOCRは実行されますか？
いいえ。これはPDF内に既に保存されているテキストを抽出するものです。画像のみのページにはPDFOCRが必要です。
テキストの順序がページ上の表示と異なるのはなぜですか？
PDF内のテキストは、位置情報を持つ断片として保存されている場合があります。列、表、脚注、および特殊なフォントマッピングにより、プレーンテキストとして確認が必要な順序になることがあります。
「個別のファイル」ZIPの中身は何ですか？
選択した各ページのテキストファイルと、それらを結合したテキストファイルが含まれています。ファイルにはUTF-8テキストが使用されます。
抽出によって古いOCRレイヤーのエラーを修正できますか？
いいえ。既存のテキストエラーはエクスポート時にそのままコピーされる可能性があります。重要な文言は目視で確認し、再利用前に修正してください。
PDF をテキストに変換で次のドキュメントを準備しましょう。
PDF に使用可能なテキストレイヤーがある場合は、OCR を実行する前にテキスト抽出を試してください。
