スキャン PDF vs テキスト PDF：なぜ変換できる文書と、何も返ってこない文書があるのか
PDF 変換に関するサポート問い合わせで圧倒的に多いのは、「PDF を入れたのに空のファイルが出てきた」という類のものです。ほとんどすべてのケースで、その PDF はスキャンです。PDF という入れ物に包まれたページの写真であり、中には文字が一切入っていません。
この記事では、PDF の 2 つの種類、手元の PDF がどちらかを 2 秒で判定するテスト、コンバーターに OCR がないことが機能不足ではなく設計上の判断である理由、そしてスキャン文書をそれでも Markdown に変換する具体的なワークフローを説明します。
すべての PDF は 2 種類のどちらか
テキスト型の PDF にはテキストレイヤーがあります。文字が文字コードとしてフォントや位置情報とともに保存されており、ワープロソフトが出力するのと同じ形です。Word、LibreOffice、Google Docs、LaTeX、そしてほとんどのレポートソフトから書き出された文書は、画像を含んでいてもテキスト型です。
画像のみの PDF は、ページの写真が連なったものを PDF 形式で包んだものです。スキャナーがこれを生成し、スマホのスキャンアプリ、FAX をメールに転送するゲートウェイ、文書を自分宛てにメール送信するコピー機も同様です。ピクセルがすべてであり、中に文字は存在しません。
見た目では区別がつかないため、混同されるのも無理はありません。スキャン PDF はリーダーで開けば、くっきりした文字が表示され、ズームもできます。それなのに文字コードは 1 つも含まれていません。あなたが見ている文字は、文字の写真です。
2 秒でできる判定テスト
任意のリーダーで PDF を開き、マウスで一文を選択してみてください。選択範囲が単語ごとにハイライトされ、テキストエディターにコピーして本物のテキストが得られれば、その PDF はテキスト型であり、どんなコンバーターでも読み取れます。
クリックしてドラッグしたとき、文字のハイライトではなくスクリーンショットのような矩形の選択枠が描かれるなら、その PDF はスキャンです。選択できるものが存在しないから、何も選択できません。同じ理由で、コピーしても何も得られません。
ファイルサイズは大まかな副次的な手がかりです。10 ページのテキスト型 PDF は 1 MB 未満であることが多く、10 ページの 300 dpi のスキャンは数十 MB になることがよくあります。ただし決定的なのは選択テストです。サイズは画像圧縮の違いで大きく変動するため、単独では信用できません。
なぜどんなコンバーターも OCR を回避できないのか
コンバーターはファイルに入っているものを読みます。テキスト型 PDF の場合、それは文字コードであり、Markdown のテキストにきれいに対応づけられます。画像のみの PDF の場合、それはピクセルであり、ピクセルは Markdown ライターが出力できるような意味でのテキストではありません。
その溝を埋めるには光学文字認識（OCR）が必要です。各グリフの画像を見て、それがどの文字を表しているかを推測するモデルです。OCR は大規模で専門性の高い領域で、文字体系ごとに調整された認識モデル、レイアウト解析、信頼度スコアリングなどを含みます。中途半端な OCR をコンバーターに組み込むと、もっともらしく見えて、肝心な部分——数字、名前、法律用語——で間違っているテキストが生成されます。
だからこそ、このサイトのコンバーターはテキストレイヤーを読み、ピクセルの推測はしません。認識エラーだらけの自信ありげな文書を渡す代わりに、どのページに抽出可能なテキストがないかを知らせます。間違った文書は、拒否されるよりも高くつきます。
OCR が実際に行うこと、そして失敗する場所
OCR ソフトウェアは、ページの画像を行と単語に分割し、各単語の文字を分類して、新しいテキスト型の PDF またはプレーンテキストを出力します。多くの場合、表示用に元の画像を残し、認識したテキストをその上に見えない形で重ねます。Adobe Acrobat の OCR や、Tesseract を基盤とするオープンソースの ocrmypdf などのデスクトップツールは、これをうまく処理します。
失敗のパターンはどのエンジンでも一貫しています。視覚的に紛らわしいグリフ——大文字の I、小文字の l、数字の 1——は、スペルチェックでは拾えない形で誤分類されます。低解像度のスキャン、傾いたページ、薄いコピー、手書きでは認識品質が低下します。そして表はやはり最悪のケースです。OCR はセルのテキストを読み取り順に読みますが、グリッドはまったく再構成しません。
言語も影響します。認識モデルは文字体系ごとに特化しており、複数言語の文書では少数派の言語で精度が落ちます。だからといって OCR が無意味なわけではありません。OCR の出力は下書きであり、変換された表に対するのと同じ検証を受けるべきだ、ということです。
このツールが推測を拒否する理由
コンバーターがテキストレイヤーのないページに遭遇したとき、ゴミを返すことも、何も返さないこともありません。あなたに伝えます。変換結果には、OCR が必要と思われるページ番号を列挙した警告が含まれ、文書全体にテキストがない場合は、エラーメッセージがそのことを明確に伝えます。
これがローカルツールの誠実な契約です。読み取れたことについて正確であり、読み取れなかったことについて明示的であること。もう一方の選択肢である「沈黙した部分的な出力」は、欠けた章がそのまま公開されたり、署名のない契約書が完成品としてファイリングされたりする原因になります。
この設計は、ツールを小さく高速に保つ効果もあります。1 つの文字体系の OCR モデルでさえ、解析エンジン本体をはるかに上回る大きさになり、それをブラウザーで配信すればダウンロードサイズは何倍にも膨らみます。しかもその能力は、デスクトップソフトウェアのほうがすでに上手くこなしています。
スキャン PDF を先に修復する
スキャン文書のワークフローは、OCR が先、変換が後です。ファイルをお好みの OCR ソフトウェア——Acrobat 内蔵の認識機能、コマンドラインの ocrmypdf、認識機能を有効にしたスマホアプリのエクスポートなど——に通すと、検索可能なテキストレイヤー付きの PDF が生成されます。
次にその出力を変換します。変換ステップと認識ステップの品質は独立しており、両者を分離された検査可能な段階として保つことで、後続の処理が消費する前に、テキストエディターで OCR 結果を検証できます。
注意点が 1 つあります。OCR の設定では、ページを再レンダリングするのではなく、元のページ画像を保持してテキストレイヤーを追加する方式を選んでください。そうすれば検索可能な PDF がスキャン原本に忠実なまま保たれます。その後は通常の変換品質のアドバイスが適用できますが、1 つ追加があります。OCR 済みの表は、変換された表と同様のスポットチェックが必要で、認識エラーと構造エラーが複合しうる分、なおさら入念に確認してください。
混在 PDF：部分的な結果
実際の文書はハイブリッドであることがよくあります。テキスト型のレポートにスキャンした署名ページが付いていたり、契約書にコピーした付属書類が添えられていたり、論文の本文にスキャンした図が埋め込まれていたりします。変換はこれらをページごとに処理します。テキストのページは変換され、画像のページは何も生成せず、警告に記録されます。
出力を読む前に警告リストを読んでください。文書のどの部分が欠けているかが正確にわかるので、部分的な結果を、別途 OCR したページと結合できます。文書全体と誤認することを防げます。
このハイブリッドのケースこそ、警告ベースの設計の最も強い根拠です。文書の 80 パーセントで十分かどうかを、ツールはあなたに代わって決めません。境界を正確に報告し、判断と OCR のステップは、あるべき場所——あなたの手元——に残します。