【PDF】GoogleドライブでスキャンPDFを文字起こしする方法|準備条件と照合の手順

【要点】紙をスキャンしたPDFから文章を取り出すなら、パソコンのGoogleドライブでPDFを「Googleドキュメントで開く」と、画像内の文字をテキストへ変換できます。Googleの案内する条件はファイルサイズ2MB以下、文字の高さ10ピクセル以上、正しい向きです。まず短く鮮明な資料で試してください。

この方法で作るのは、文字を編集できるGoogleドキュメントです。元のPDFへ同じ配置のまま検索用の文字を追加する処理とは異なります。原本の見た目を保つことより、文章を引用したり書き直したりする用途に向いています。

GoogleドライブでできるOCRと準備条件

OCRは画像の文字を読み取り、編集やコピーができる文字列へ変える処理です。スキャンPDFでも、作成時にOCR済みなら既に文字をコピーできる場合があります。再変換の前に、必要な一文を選択してメモ帳などへ貼り付け、正常に取り出せるかを確認します。

2MBを超える資料は、必要なページだけのコピーへ分ける方法を検討します。文字が小さくなるほど画像を縮小して容量だけを合わせると、読み取り精度が落ちます。分割後もページ番号をファイル名へ入れ、取り出す順番を管理してください。

スキャン原稿を読み取りやすくする

PDFを拡大して、小さい文字の線がつぶれていないかを見ます。「8」と「3」、「口」と「ロ」、濁点の有無が人にも判別しにくければ、OCR後の修正が多くなります。紙が手元にある場合は、傾きや折れを直し、影を避けて取り込み直します。表示倍率を上げるだけでは、元画像にない細部は増えません。

Googleは、鮮明な画像、均一な明るさ、はっきりしたコントラスト、一般的なフォントなどを、良い結果につながる条件として案内しています。解像度の数値だけで成功を保証する条件ではありません。紙面の全体が入っていても、細い注記が読めるかまで確認しましょう。

資料をGoogleドライブへアップロードするため、外部サービスへ置いてよい文書を使います。社内限定の資料で保存先が指定されている場合は、その運用に合うOCR手段を選びます。取引先の文書を扱うときも、原本を広く共有する必要はなく、自分の作業用フォルダへ置くところから始めます。

PDFをGoogleドキュメントの文字へ変換する手順

1. 作業用PDFを用意する必要なページ、向き、2MB以下の容量を確認します。原本はそのまま残します。
2. Googleドライブへアップロードするパソコンでドライブを開き、「新規」→「ファイルのアップロード」から作業用PDFを選びます。アップロードの完了を待ちます。
3. Googleドキュメントで開くドライブ上の対象ファイルを右クリックし、「アプリで開く」→「Googleドキュメント」を選びます。
4. 変換された文字を確認する開いたドキュメントで文章を選択し、編集できる文字になっているかを確かめます。画像が表示されているだけで完了と判断しないでください。
5. 原文と照合して訂正する氏名、金額、日付、単位などを原本と比較します。行や段落のつながりも修正します。
6. 用途に応じて再利用する必要な文字を別の文書へコピーします。ファイルとして取り出す場合は「ファイル」→「ダウンロード」で目的の形式を選び、取り出したファイルも開いて確認します。

Googleは文書の言語を自動検出します。変換画面に存在しない「日本語OCR」スイッチを探す必要はありません。また、処理時間はファイルや環境によって変わるため、すべてのPDFを数秒で変換できるとは限りません。

変換後は文字・順番・表を別々に照合する

最初に先頭と末尾の文章を確認し、その間に抜けたページや段落がないかを比べます。次に誤ると困る固有名詞や数字を照合します。「10,800円」が「10,300円」になっていても、日本語の文章としては自然に読めてしまいます。読みやすさだけで正確性を判断しないでください。

表、段組み、脚注、文末脚注、リストなどは、元の構造がそのまま維持されないことがあります。請求書の品名と金額が別々の行へ出た場合は、両者の対応を原本で確認します。値を抜き出す目的なら、空白を増やして外観だけを整えるより、必要な列を持つ表へ入力し直す方が確認しやすくなります。

例えば会議資料から議題と担当者を取り出す場合、議題が3件なら担当者も3件対応しているかを見ます。ページ末の担当者名が次ページの議題に結び付いていないかも確認してください。OCRは文字を取り出す助けになりますが、意味の対応まで自動で確定するものではありません。

元の見た目を残したい場合の選び方

GoogleドキュメントからPDFとしてダウンロードすると、そのドキュメントを組版した新しいPDFになります。元のスキャンPDFの紙面に検索用文字を重ねた状態へ戻るわけではありません。レイアウトが変わったドキュメントをPDFへ書き出しても、元と同じページ割りは復元されません。

原本の見た目を維持しながら検索やコピーをできるようにしたい場合は、PDFに文字認識を追加できるAcrobatなどのOCR機能を選びます。無料のReaderで開くだけの操作とは分けて考えてください。原稿を再編集するならGoogleドキュメント、原本画像を主体に保管するなら検索可能PDFというように、完成形から選ぶとやり直しを減らせます。

作業が終わったら、原本、変換したドキュメント、訂正済みの出力を区別できる名前で管理します。誤認識を直す前の文字列をそのまま配布しないよう、使うのは照合済みの版にそろえてください。

参考：GoogleドライブでPDFや写真をテキストに変換する