OCRmyPDFの使い方｜スキャンした日本語PDFを検索可能にする

紙の書類をPDFにしたのに、文書内の言葉を検索できない。これはページが画像として保存されているためかもしれません。OCRmyPDFを使うと、画像の上に読み取り文字を重ねて、検索やコピーができるPDFを作れます。

この方法が向いている人

• 画像だけのスキャンPDFから、名前や日付を検索したい人。
• 機密文書をオンライン変換サイトへ送らず、自分のパソコンで処理したい人。
• コマンドを一つ入力する作業や、複数ソフトのインストールに抵抗がない人。
• 設定画面だけで簡単に変換したい人は、最初は別のOCRアプリのほうが使いやすい場合があります。

処理する前に準備する

1. 1元のPDFを複製し、作業用コピーを作ります。大事な書類はバックアップを別の場所にも残します。
2. 2OCRmyPDF公式のWindows手順を開き、Tesseract 64bitとuvを案内に沿ってインストールします。PDF/AなどGhostscriptが必要な出力を使う場合は、Ghostscriptも準備します。
3. 3新しいターミナルを開き、公式手順に沿ってOCRmyPDFをインストールします。
4. 4Tesseractに日本語データがあるか確認します。コマンド画面で `tesseract --list-langs` を実行し、一覧に `jpn` があるか確認します。無い場合はTesseractの公式案内を見て、日本語データを追加します。

コピーしたPDFに日本語OCRをかける

1. 1PDFがあるフォルダーを開く

   作業用コピーを置いたフォルダーを開き、アドレス欄に `powershell` と入力してEnterを押します。フォルダーを開いた場所でコマンド画面が起動します。

2. 2入力と出力のファイル名を決める

   例では入力を `scan-copy.pdf`、出力を `searchable.pdf` とします。実際のファイル名が違う場合は、コマンド内の名前も合わせてください。入力と出力には別の名前を使い、元ファイルを残します。

3. 3日本語を指定して実行する

   次のコマンドを入力し、Enterを押します。処理に時間がかかる場合があります。画面にエラーが出たら、先に`jpn`の有無とファイル名を確認してください。

   この手順で使う入力例

   ocrmypdf -l jpn scan-copy.pdf searchable.pdf

4. 4完成したPDFで文字を探す

   `searchable.pdf`をPDF閲覧ソフトで開き、Ctrl + Fで紙面に印刷されている言葉を検索します。文字を選んでコピーできるかも試します。読み取り結果には誤字があり得るため、重要な金額・氏名・日付は元のページを見て確認します。