OCR：スキャンからテキスト抽出

ほとんどのOCRサービスでは安全とは言えません。Adobe Acrobat OnlineやABBYY FineReader Onlineは、スキャン済み契約書や税務書類、医療記録をクラウドサーバーにアップロードしてテキスト認識を行います。HonestPDFはTesseract.jsを使用してブラウザ内でOCR処理を完結させるため、ドキュメントはお客様のデバイスから離れることがありません。

13言語です。英語、トルコ語、ドイツ語、フランス語、スペイン語、イタリア語、ポルトガル語、オランダ語、ロシア語、アラビア語、中国語（簡体字）、日本語、韓国語に加え、混在した文書向けにトルコ語と英語を併用する設定もあります。文書が書かれている言語を選んでください。その言語のデータは初回に一度だけダウンロードされます。ABBYY等のエンタープライズソリューションでは言語サポートが有料ライセンス限定であるのに対し、当ツールではどの言語も無料です。

当ツールはオープンソースのTesseract OCRエンジンのブラウザ版Tesseract.jsを採用しており、多くの商用OCR製品も同じエンジンを搭載しています。Adobe Acrobat Proなどのデスクトップソフトウェアは劣化スキャンへの対応は優れていますが、HonestPDFは標準的な印刷文書では優秀な結果を提供し、サブスクリプション不要です。

はい。OCRがテキストを抽出した後、直接コピーするか、当社の他のツールに結果を送信できます。Word形式への変換、機密データの墨消し、プライバシー診断など、この統合型ローカルワークフローによりAdobe Acrobat Pro等の高額な統合スイートが不要になります。

はい。認識されたテキストに加えて、検索可能なPDFをダウンロードできます。これは元のページ画像の背後に目に見えないテキストレイヤーを重ねたもので、これまで単なるスキャン画像だった部分の単語も、ビューアの検索機能や検索ツールで見つけられるようになります。認識されたテキストはコピーしたり、.txtファイルとして保存したりすることもできます。

はい。画像（JPG、PNG、WebP）またはスキャンしたPDFをアップロードすれば、OCRエンジンが内容を解析し、読み取れる文字をすべて、選択もコピーもできる形で取り出します。

精度は画像の状態しだいです。明るくきれいに取り込まれ、一般的なフォントで書かれた原稿なら、通常95%を超えます。手書きや装飾の強いフォントでは精度が下がることがあります。

OCRが返すのはテキストであり、レイアウトではありません。読み取り順序は行単位で保持されますが、段組み、表、画像は再構築されず、元のPDFはそのまま変更されません。

はい。複数ページのスキャンPDFをアップロードすれば、OCRエンジンが1ページずつ処理します。出力は、全ページを処理済みの検索可能なPDF 1本になります。

OCRエンジンはWebAssemblyを使い、すべてブラウザ内で動作します。スキャンした文書が外部のサーバーへ送られることは一切なく、完全な非公開性が保たれます。