PDF OCR Extraction

PDF OCR 抽出

OCR 技術を使用して、スキャンした文書や画像ベースの PDF からテキストを抽出します。

概要

このスキルでは、次のことができます。

• スキャンした文書からテキストを抽出する
• 画像 PDF を検索可能にする
• 紙の文書をデジタル化する
• 手書き文字を処理する（限定的）
• 複数の文書を一括処理する

使用方法

基本的な OCR

"Extract text from this scanned PDF"
"OCR this document image"
"Make this PDF searchable"

オプションを指定する場合

"Extract text from pages 1-10, English language"
"OCR this document, preserve layout"
"Extract and output as structured data"

文書の種類

文書の種類別 OCR 品質

文書の種類	予想される品質	ヒント
タイプされた文書	⭐⭐⭐⭐⭐ 95%+	最良の結果が得られます
印刷された書籍	⭐⭐⭐⭐ 90%+	経年劣化に注意してください
フォーム	⭐⭐⭐⭐ 85%+	チェックボックスは手動での確認が必要な場合があります
表／データ	⭐⭐⭐ 80%+	構造の修正が必要な場合があります
手書き（整った文字）	⭐⭐ 60-80%	結果にばらつきがあります
手書き（筆記体）	⭐ 30-60%	手動での確認が必要になることがよくあります
混在した内容	⭐⭐⭐ 75%+	複雑さによって異なります

出力形式

プレーンテキストの抽出

## OCR Result: [Document Name]

**Pages Processed**: [X]
**Language**: [Detected/Specified]
**Confidence**: [X]%

---

[Extracted text content here]

---

### Notes
- [Any issues or uncertainties]
- [Characters that may be incorrect]

構造化された抽出

## OCR Extraction: [Document Name]

### Document Info
| Field | Value |
|-------|-------|
| Title | [Extracted or inferred] |
| Date | [If found] |
| Author | [If found] |

### Content by Section

#### [Header 1]
[Content under this header]

#### [Header 2]
[Content under this header]

### Tables Found
| Column 1 | Column 2 | Column 3 |
|----------|----------|----------|
| [Data] | [Data] | [Data] |

### Uncertain Text
| Page | Original | Confidence | Possible |
|------|----------|------------|----------|
| 3 | "teh" | 70% | "the" |
| 5 | "l0ve" | 65% | "love" |

検索可能な PDF の出力

## OCR to Searchable PDF

**Source**: [filename.pdf]
**Output**: [filename_searchable.pdf]

### Processing Summary
| Metric | Value |
|--------|-------|
| Pages | [X] |
| Words extracted | [Y] |
| Average confidence | [Z]% |
| Processing time | [T] seconds |

### Quality Report
- [X] pages with 95%+ confidence
- [Y] pages with 80-94% confidence
- [Z] pages with <80% confidence (review recommended)

### Searchability
✅ Document is now text-searchable
✅ Original images preserved
✅ Text layer added behind images

前処理のヒント

画像品質のチェックリスト

OCR の前に、次の点を確認してください。

• 解像度：最低 300 DPI（小さい文字の場合は 600）
• コントラスト：白い背景に黒い文字がはっきり表示されている
• 傾き：文書がまっすぐである（傾いていない）
• 完全性：端が切れていない
• 汚れのなさ：汚れ、マーク、影がない

よくある前処理

問題	解決方法
低解像度	まず画像を拡大する
傾き／回転	自動傾き補正を行う
コントラスト不足	レベル／しきい値を調整する
ノイズ／斑点	ノイズ除去を適用する
影	照明を均一にする
カラー文書	グレースケールに変換する

言語サポート

対応言語

• 優秀：英語、スペイン語、フランス語、ドイツ語、イタリア語
• 良好：中国語（簡体字／繁体字）、日本語、韓国語
• 中程度：アラビア語、ヘブライ語（RTL 対応）、ヒンディー語
• 基本的：品質に差はありますが、その他多くの言語に対応しています

多言語文書

"OCR this document, detect language automatically"
"Extract text, primary: English, secondary: Chinese"

特定の内容の処理

フォームとチェックボックス

## Form Extraction: [Form Name]

### Field Values
| Field | Value | Confidence |
|-------|-------|------------|
| Name | John Smith | 98% |
| Date | 01/15/2026 | 95% |
| Address | 123 Main St | 92% |

### Checkboxes
| Question | Checked |
|----------|---------|
| Option A | ☑️ Yes |
| Option B | ☐ No |
| Option C | ☑️ Yes |

### Signature
[Signature detected on page X - cannot extract text]

表

## Table Extraction

### Table 1 (Page 2)
| Header A | Header B | Header C |
|----------|----------|----------|
| Value 1 | Value 2 | Value 3 |
| Value 4 | Value 5 | Value 6 |

**Table confidence**: 85%
**Note**: Column 3 may have alignment issues

手書き文字

## Handwritten Text Extraction

**Legibility Assessment**: [Good/Fair/Poor]
**Recommended**: Manual review

### Extracted Text (Confidence: 65%)
[Extracted text with uncertain words marked]

### Uncertain Words
| Original | Best Guess | Alternatives |
|----------|------------|--------------|
| [image] | "meeting" | "meeting", "meaning" |
| [image] | "Tuesday" | "Tuesday", "Thursday" |

⚠️ **Low confidence extraction - please verify manually**

一括処理

OCR の一括ジョブ

## Batch OCR Processing

**Folder**: [Path]
**Total Documents**: [X]
**Status**: [In Progress/Complete]

### Results
| File | Pages | Confidence | Status |
|------|-------|------------|--------|
| doc1.pdf | 5 | 96% | ✅ Complete |
| doc2.pdf | 12 | 88% | ✅ Complete |
| doc3.pdf | 3 | 72% | ⚠️ Review |
| doc4.pdf | 8 | - | ❌ Failed |

### Issues
- doc3.pdf: Pages 2-3 have handwriting
- doc4.pdf: File corrupted

### Summary
- Successful: [X]
- Need Review: [Y]
- Failed: [Z]

ツールのおすすめ

クラウドサービス

• Google Cloud Vision（優れた精度）
• Amazon Textract（フォームに適しています）
• Azure Computer Vision（バランスの取れた性能）
• Adobe Acrobat（統合済み）

デスクトップソフトウェア

• ABBYY FineReader（最高の精度）
• Adobe Acrobat Pro（信頼性が高い）
• Readiris（コストパフォーマンスが良好）
• Tesseract（無料、オープンソース）

プログラミングライブラリ

• pytesseract（Python + Tesseract）
• EasyOCR（Python、多言語対応）
• PaddleOCR（Python、アジア言語に適しています）

制限事項

• 100% の精度は保証できません
• 手書き文字の精度は低くなります
• 非常に小さい文字はうまく抽出できない場合があります
• 装飾フォントには問題が生じます
• 背景画像によって品質が低下します
• 複雑なグラフィック内の文字は読み取れません
• ページ数が増えると処理時間も長くなります