PDFに文字が見えるのに検索できない？文字データと画像を練習ファイルで比べよう

PDFを開いて文字が見えているのに、検索しても見つからない。そんなときは、画面に見える文字と、PDFの中に入っている文字データを分けて考えてみよう。

このページでは、二つの小さな会議メモで、文字として保存されたPDFと、文字が画像になっているPDFの違いを確かめる。準備するのはPDFを開けるブラウザや閲覧アプリだけ。文字認識のために、実際の請求書や個人情報を外部へ送る必要はないよ。

同じ「読める文字」でも、中身が違う

PDFは文書を保存する形式。文字、画像、それらの組み合わせを含められる。

文字データがあれば常に正しく検索できる、という単純な話でもないよ。フォントの扱い、文字の対応情報、権限、アプリの対応などで結果が変わることがある。まずは違いが分かりやすい練習ファイルで試してみよう。

二つの練習PDFで検索してみる

次は編集部が作成した架空の会議メモ。それぞれ1ページで、Meeting 10:30、Room B、Bring a notebook.という同じ内容を載せている。見た目が完全に同一という比較ではなく、中の保存方法を比べるためのものだよ。

• 文字データを持つPDFを開く
• 画像だけのPDFを開く

1. 文字データを持つPDFを開く。
2. 閲覧アプリの「検索」を開き、半角でMeetingと入力する。デスクトップではCtrl+FやCommand+Fが使える場合があるよ。
3. 同じ語を、画像だけのPDFでも検索する。
4. 文字を選べる場合は、Meeting 10:30をコピーし、メモアプリなどへ貼り付けて内容を比べる。

文字データを持つ版には、検索に使える英字を入れてある。画像だけの版には、元のPDFに検索用の文字データを入れていない。編集部では文字抽出ツールで、前者から3行を取り出せること、後者からは文字を抽出できないことを確認したよ。

画像だけの版も検索できる場合は、閲覧アプリが自動で文字認識している可能性もある。逆に、文字版を選択できなくても、すぐ画像だけだと断定しないでね。使っているアプリの機能や制限を確認しよう。読み終わったらタブを閉じれば、元の文書を変えずに練習を終えられるよ。

OCRは、画像から文字を推定する処理

OCRはOptical Character Recognitionの略で、日本語では光学文字認識。画像に写った文字を読み取り、扱える文字データにする仕組みだよ。

Adobeの公式案内も、スキャンしたPDFは画像データだけの場合があり、OCRによって選択・検索できる文字へ変換する方法を説明している。文字の層を加えることで、画像を見ながら検索できるPDFにもなる。

ただし、OCRで必ず正しい文字が得られるわけではない。0とO、1とl、小数点、日付、金額などは、元の画像と照合しよう。検索できるようになったことと、認識結果が正しいことは別なんだ。画像の文字を照合する練習でも、見落としやすい場所を確認できるよ。

自分の文書で試す前に

編集部の提案として、次の順で進めると元へ戻しやすいよ。

1. 元のPDFの控えを残し、作業用コピーを作る。
2. 使うアプリにOCRがあるか、対応する言語や対象ページを確認する。有料機能かどうかも先に見る。
3. 外部サービスへ送信する仕組みなら、文書の機密性と組織の方針を確認する。
4. 一部のページで試し、固有名詞・日付・数字を照合する。
5. 元のファイルと別名で保存し、検索と貼り付けをもう一度試す。

文書の編集や文字抽出が制限されている場合は、その権限や作成者の意図を尊重し、提供元へ検索可能な版があるか確認しよう。制限を外す手順を、検索できないときの一律の解決策にはしないでね。

見つからないときに残すメモ

問い合わせるときは、「どのアプリで開いたか」「検索した語」「文字をコピーできるか」「ほかのページでも同じか」を整理すると伝えやすい。文書そのものを不用意に添付するより、機密情報を含まない再現用のファイルで説明できると安心だよ。

今回の練習で行ったのは、二つの保存方法の比較と文字抽出の確認。OCRサービスの認識精度や、すべての閲覧アプリの検索結果を測ったものではないよ。