OCRとは：スキャンしたPDFが検索可能な文字になる仕組み

スキャンした文書は — 本物のスキャナーから来たものでも、ただの電話のカメラから来たものでも — コンピューターにとっては写真です。Ctrl+Fは何も見つけません。そこに探すべき文字はなく、読む人間に文字のように見えるだけのピクセルがあるだけだからです。

OCRが実際にしていること

光学文字認識は、ページ上の形を分析し、それがどの文字を表すかを予測し、その予測した文字を、元の画像のすぐ上に配置した見えない選択可能な層として追加します。見た目は何も変わりません。同じスキャンを見ているだけです。機能的には、ページの背後に、ブラウザやPDFリーダーが検索・選択・コピーできる本物の文字ができています。

ここでOCRが完全にブラウザ内で動く理由

OCR PDFは、オープンソースのOCRエンジンTesseractのWebAssemblyビルドであるTesseract.jsを使い、作業中にページが固まらないようWeb Workerとして動かします。認識そのものは端末上で行われ、スキャンは読み取りのためにどこにも送られません。

精度に影響するもの

• スキャン品質 — 鮮明で照明の良いまっすぐなスキャンは、ぼやけた、または大きく傾いた電話の写真よりはるかに正確に認識されます。
• 手書き — Tesseractは、ほとんどのOCRエンジンと同様、印刷された文字向けに作られています。手書きの認識は別の、はるかに信頼性の低い問題です。
• 珍しいフォントや強い装飾 — 装飾的な書体や低コントラストの文字は、人がざっと目を通すときと同じように精度を下げます。