PDF・印刷約5分で読めます

PDFの文字を検索できない|画像PDFとOCR

PDFの文字を検索できないを表したイメージ
記事の内容を表したイメージ(AI生成)

PDFを開いてCtrl+Fで検索しても「見つかりません」と表示される、あるいはコピーしようとしても文字が選択できない。このような状態のPDFは「画像PDF」と呼ばれ、文字として認識できるデータが入っていません。スキャナで読み込んだ書類や、一部の印刷ソフトから出力したPDFに多く見られます。

この問題を解消するには、OCR(Optical Character Recognition=光学文字認識)という処理をPDFに対して行い、画像の中の文字をテキストデータとして埋め込む必要があります。OCR処理を経たPDFは「検索可能PDF」とも呼ばれ、検索やコピーが通常のPDFと同じようにできるようになります。この記事では、画像PDFかどうかの判断方法、OCR処理の選択肢と手順、処理後の確認方法、および注意が必要な場面を順に説明します。


画像PDFかどうかを確かめる

まず対象のPDFが本当に画像PDFかを確認します。PDFビューアで文書を開き、本文の任意の文字の上でマウスをドラッグしてみてください。文字が青く反転して選択できれば、そのPDFにはすでにテキストデータが含まれています。文字の上をドラッグしても何も選択できず、ページ全体が一枚の画像として選択されるようであれば画像PDFです。

Ctrl+F(MacはCommand+F)で検索ボックスを出して明らかに存在する単語を入力し、「一致なし」と返ってきた場合も同様です。ただし、OCR処理済みであっても精度が低いと検索が通らないことがあるため、複数の単語で試すと判断の精度が上がります。

もう一つの確認方法として、ファイルサイズを見ることもあります。同じページ数でもスキャン由来の画像PDFはテキストPDFより格段にファイルサイズが大きくなる傾向があります。ただしこれは補助的な判断材料にとどめてください。


OCR処理の主な選択肢

OCR処理ができるツールはいくつかあります。職場の環境や手元にあるソフトによって選択肢が変わります。

Adobe Acrobatを使う場合

有償版のAdobe Acrobat(AcrobatまたはAcrobat Pro)には「テキストを認識」または「OCRでテキストを認識」という機能があります。画面の表示は版や設定により異なります。一般的な手順は以下のとおりです。

  1. PDFをAcrobatで開く
  2. 「ツール」または「ツールパネル」からスキャンとOCR関連の項目を選ぶ
  3. 対象ページ(全ページまたは選択したページ)と言語(日本語)を指定する
  4. 処理を実行し、完了後に別名で保存する

処理前に必ずファイルをコピーして元のファイルをバックアップしてください。OCR処理は元のファイルを上書きする形で動作することがあります。

Google ドライブを使う場合

Googleアカウントがあれば、追加のソフトなしにOCRに近い処理ができます。ただし以下の点を理解したうえで使用してください。

  1. Google ドライブにPDFをアップロードする
  2. アップロードしたPDFを右クリックし、「アプリで開く」→「Google ドキュメント」を選ぶ
  3. Google ドキュメントとして開くとOCR処理が自動で行われ、テキストが抽出される
  4. 抽出されたテキストをコピーして利用するか、「ファイル」→「ダウンロード」でPDF形式に書き出す

この方法は元のPDFレイアウトを保持したまま検索可能PDFを作るというより、テキストを取り出すための手順として位置づけてください。表や複雑なレイアウトは崩れることがあります。また、個人情報が含まれる名簿や社内文書をクラウドサービスにアップロードする場合は、組織の情報管理ルールを事前に確認してください。

無料のオンラインOCRツールを使う場合

検索すると複数のオンラインOCRサービスが見つかります。手軽に試せる反面、以下の点に注意が必要です。

  • 個人情報・機密情報を含む文書は使用しない:アップロードしたファイルがサービス側にどう扱われるかは規約によって異なります。事前に確認するか、テスト用の無害な文書だけに使う範囲にとどめることを検討してください。
  • 日本語の精度はツールによって差があります。処理後に必ず内容を確認してください。
  • サービスの提供状況や料金は変わることがあります。利用前に公式サイトで確認してください。

OCR処理の精度と確認の手順

OCRで生成されたテキストは必ずしも完全ではありません。特に以下の状況では誤認識が起きやすくなります。

  • スキャン時の傾き・影・汚れがある
  • 手書き文字が混在する
  • フォントが特殊または小さい
  • 数字と記号が連続している(例:「0」と「O」、「1」と「l」の混同)

処理後の確認手順として、元の紙またはスキャン画像と見比べながら、重要な語句・固有名詞・数字を中心に検索してみてください。検索でヒットするかどうかと、ヒットした内容が正しいかの二段階で確認します。

架空の例として示します(架空の例です)。

表は横にスクロールできます

元の記載OCR結果状態
2024年10月2024年10月正常
山田太郎山田太郎正常
申請番号0012申請番号OO12誤認識(0がO、1がlに)
¥15,000¥15,0OO誤認識

数字・記号の誤認識は検索ミスや転記ミスに直結しやすいため、金額・日付・番号を含む文書は特に念入りに確認してください。誤認識があった場合は、PDFのテキスト編集機能を使って修正するか、修正が難しければOCR処理を再実行することを検討します。


処理後のファイル管理

OCR処理済みのPDFは、元の画像PDFと区別してわかる名前で保存しておくと後で混乱しません。例えばファイル名の末尾に「_OCR」や「_検索可」などの接尾辞を付けるルールを決めておくと、複数人で管理するときに便利です。

元のスキャンPDFは削除せず、保存しておくことを推奨します。OCR処理後のファイルに何らかの問題が見つかったとき、元データに戻れる状態を確保しておくことが重要です。

また、OCR処理済みファイルを業務で正式な記録として扱う場合は、そのファイルが原本と同等の扱いをされるかどうかを組織内のルールで確認しておいてください。OCR後のPDFはテキストが埋め込まれたものであり、スキャン画像そのものとは異なります。法的な効力や証拠能力については、必要に応じて専門家や公式情報で確認してください。


手書き文書・複雑なレイアウトへの対応

OCRが特に難しいケースとして、手書き文書があります。現状の一般的なOCRツールは活字の認識を前提に設計されており、手書きの認識精度は活字に比べて低い傾向があります。手書き部分が混在する文書(例:記名欄が手書きの申請書)では、手書き部分だけ検索・コピーができなかったり誤認識されたりすることを想定してください。

複数段組みや表が入り組んだレイアウトも、OCRの認識順序(テキストの読み取り順)が意図と異なる結果になる場合があります。このような文書は、OCR後のテキスト内容を元書類と照合しながら確認する作業を省かないようにしてください。


次の行動

手元のPDFでCtrl+Fの検索が通らない場合は、まずマウスのドラッグで文字が選択できるかを確かめ、画像PDFかどうかを切り分けてください。画像PDFと確認できたら、職場で使えるツール(Acrobat・Google ドライブなど)を確認し、個人情報を含む文書はアップロード先の規約と組織のルールを確認してから処理を進めてください。処理後は元ファイルのバックアップを残したうえで、重要な数字・固有名詞を中心に検索動作を確認してください。

参考資料

この記事の本文はAI(Claude)が執筆しました。画面の表示や操作名は、アプリの版や設定によって異なります。実際の操作の前に元のファイルを複製し、公式のヘルプで最新の情報を確認してください。

記事の誤り・ファイルの不具合を知らせる · 修正記録

記事一覧へ