PDF OCR - スキャンしたPDFからテキストを抽出

スキャンされたPDFや画像ベースのPDFは、検索可能な文字ストリームではなくラスターピクセルの配列としてテキストを保持しています。 ForgeFileのPDF OCRエンジンは、文書のページ構造を解析し、埋め込まれたビットマップ画像（CCITT Fax、JBIG2、FlateDecodeストリームを含む）を抽出し、ISO 32000仕様に準拠した光学文字認識を実行します。

生成されるドキュメントは、元のスキャン画像の背面に透明で選択可能なOCRテキスト層を埋め込むため、視覚的なデザインを完全に保ったままCtrl+Fによる全文検索、文字選択、コピー＆ペーストが可能になります。

OCRが処理するPDFの構成

• 純粋なラスターPDFスキャン – デジタルテキストを含まず、スキャン画像のみで構成されたPDF。
• ベクターとラスターの混在ページ – 一部のページにデジタル文字があり、他のページにスキャン画像がある文書。
• 複数ページのドキュメント構造 – ページ順序やしおりを保持しながら複数ページを一括で順次認識。
• 回転・傾きのあるページ – 文字切り出しの前に自動的に向きを判定し傾きを補正。

検索可能PDFと出力形式

• 不可視テキストオーバーレイ – 元のスキャン座標に正確に一致したバウンディングボックスを持つ検索可能PDFを生成。
• 編集可能なWord DOCX – 段落の流れ、表、フォントスタイルをネイティブなWord形式で再構築。
• 構造化された表の保持 – 財務報告書や帳票の表セルの境界を自動認識。
• 最大ファイルサイズはお使いのプランによって異なります。
• 暗号化による安全な処理 – アップロードされたファイルは転送中および保存時に暗号化されます。

PDF 2.0の規格仕様については、米国議会図書館のデジタル形式持続可能性プロジェクトにて公開されています。