スキャンPDFをWordに変換
スキャンしたPDFは、中身を開けてみればただの写真の束です。普通のPDF→Word変換にかけても、その写真が.docxに貼られるだけなので、日付や名前を一か所直したいときには役に立ちません。
このツールは、まずスキャン画像を読み取ります。各ページの印刷された文字を認識し、見出しと段落を見分けてから、ちゃんと入力できるWord文書に書き出します。文書の言語を選んでファイルを入れたら、あとは一、二分待つだけです。
文書が書かれている言語を選んでください。言語が違うと、文字が正しく読み取れません。
手書きの文字はうまく変換できません。印刷された文書やタイプされた文書向けです。
見出しと改ページ付きの、編集できるきれいなテキストになります。表や数字の列、元のフォントまでは再現しません。
スキャンPDFをWordに変換
スキャンしたPDFをアップロードすると、ページの画像ではなく、編集できる本物のテキストが入ったWordファイルが届きます。20言語のOCRに対応、登録は不要です。
PDF ファイルをここにドラッグ&ドロップ
またはクリックして参照（最大10MB）
変換を開始しています...
普通の変換ツールだと画像になってしまう理由
PDFをWordに変換するツールの多くは、当サイトのものも含めて、PDFの中に保存されている文字データを読み取る仕組みです。WordやGoogleドキュメントから書き出したファイルならこれで十分ですが、スキャナーは文字を保存しません。保存されるのは各ページの画像です。読み取る文字がないので、変換ツールはその画像をそのままWordに貼り付けてしまいます。
.docxを開いて段落をクリックすると、ページ全体が一枚の写真として選択される。大家さんから届いた賃貸契約書でまさにこれが起きて、かなりもどかしい思いをしました。文字は目の前にあるのに、触ることができないのです。
これを解決するには、まずOCR（光学文字認識）が必要です。画素を見て、この形は「あ」、あれは「7」と判断する処理があって初めて、Wordに入れる文字が生まれます。
このツールがスキャンに対してすること
各ページは、本格的なOCRソフトの多くが土台にしているオープンソースのエンジン、Tesseractで処理します。読み取りの前にはページの傾きを補正します。一、二度傾いているだけでも、読み落とす文字は意外なほど増えるからです。すでに本物のテキストが入っているページは、そのまま使います。
いちばん手間をかけたのはその次の工程です。OCRの生の結果は、ばらばらの行の集まりにすぎません。そのままWordに貼ると、行ごとに強制改行が入ってしまいます。そこで行と行の間隔や文字の大きさを見て段落を組み立て直し、レターヘッドや章のタイトルのような大きな行はWordの見出しにしています。スキャンの各ページは、文書でも新しいページから始まります。
ダウンロードできるのは、標準のスタイルだけで作られたシンプルな.docxです。画像の上にテキストボックスが浮いているようなこともありません。文書全体のフォントを一度に変えたり、スペルチェックをかけたり、別の文書に一部を貼り付けたりしても、おかしな書式がついてくることはありません。
言語の選択は思った以上に大事
Tesseractは、どの言語の文書かを知っていると格段に正確になります。日本語の文書を英語の設定で読ませると、ほとんど意味のない記号の列になってしまいます。漢字やかなを読むには、専用の学習モデルが必要だからです。縦書きの文書は読み順が崩れることがあるので、横書きの資料のほうが向いています。
リストには20言語があり、このページの日本語版では最初から日本語が選ばれています。二つの言語が混ざった文書なら、本文の大部分を占める言語を選んでください。
きれいに変換するためのコツ
- 300 DPIでスキャンしてください。200 DPIを下回ると、小さな文字はにじんで読めなくなります。
- 白黒かグレースケールで十分です。カラーにしても認識はよくならず、ファイルが重くなるだけです。
- ページは平らに置きましょう。本ののど元は行が曲がり、うまく読めません。
- スマホで撮った写真でも、ページが画面いっぱいに写っていて、真上から撮っていれば使えます。
- FAXやコピーのコピーも変換できますが、誤りは増えます。見直しは必須です。
きれいなスキャンでも、送る前には必ず読み返してください。OCRは「0」と「O」、「1」と「l」をよく取り違えます。請求書や契約書の金額は、念のためもう一度確認しておくと安心です。
得意なこと、苦手なこと
得意なのは文字の多いページです。手紙、契約書、報告書、議事録、古いタイプ原稿、本の一章など、文字を取り戻して編集したい場面ならほぼ何でも対応できます。
正直に言うと、苦手なこともあります。表はWordの表ではなく、テキストの行として出てきます。二段組みはたいてい正しい順に読めますが、囲み記事や欄外の多いページは順番が入れ替わることがあります。写真やロゴは引き継がれません。手書きの文字は、ほとんど期待できません。
有料のソフトはページの見た目をそっくり再現しようとします。うまくいけば見事ですが、テキストボックスだらけで、一文足しただけで崩れるWordファイルになることも少なくありません。このツールはあえて逆を選びました。文字を正確に取り出し、構造はシンプルに保ち、見た目はご自身で整えられるようにしています。
ファイルの扱いについて
OCRは重い処理なので、ブラウザではなく当サイトのサーバーで行います。PDFはHTTPSで送信され、順番待ちの列で処理されたあと、変換が終わった時点で削除されます。Wordファイルはダウンロードに必要な間だけ置かれ、その後自動で消去されます。文書の中身を誰かが読むことはありません。
アカウント登録もメールアドレスの入力も不要で、本文に透かしが入ることもありません。上限は1ファイルあたり100ページです。10ページほどの書類なら、たいてい1分もかからずに終わります。