検索可能なPDF

検索可能なPDFは、ソフトウェアから文字を検索、選択、コピー、索引化できるPDFです。通常は、見えているページ画像に加え、機械可読なテキストレイヤーを持ちます。

検索可能なPDFと画像だけのPDF

画面上では同じに見える2つのPDFでも、実際の使い勝手は大きく異なります。検索可能なPDFは、文字をソフトウェアへ渡せます。文書内検索が働き、文字を選択、コピーでき、後から探せるよう索引にも登録できます。画像だけのPDFはページの見た目を保ちますが、内容は平らな画像として扱われます。検索、選択、コピー、多くのアクセシビリティ機能が使えません。

作成者や受け取った人が気付かないまま、画像だけのPDFになっていることもあります。スキャンした文書、撮影したページ、一部のスクリーンショット書き出しは、テキストレイヤーを加えなければ、標準では画像だけのPDFになります。

検索可能なPDFが使われる場面

撮影またはスキャンした文書から、文字を探し、引用し、再利用する場面で使われます。

• アーカイブと記録： ファイル名や日付だけでなく、文書内のキーワードから保管資料を探せるようにします
• 法務とコンプライアンス： 裁判所や規制機関が、提出文書を開示や確認のため検索可能にするよう求める場合があります。具体的な要件は法域と手続きで確認します
• 調査： スキャンした論文、レポート、歴史資料の集合から文字を検索します
• アクセシビリティ： スクリーンリーダーが内容を読み上げるには、適切な順序と言語情報を持つテキストレイヤーが必要です。OCRだけで完全なアクセシビリティが保証されるわけではありません
• スクリーンショットの書き出し： 撮影画面をPDFへまとめ、後から検索、引用できるようにします

PDFが検索可能になる仕組み

PDFが検索可能になる経路は2つあります。ワープロやブラウザなど、デジタル環境から文書を作った場合、通常は元の文字が埋め込まれ、最初から検索できます。

スキャン、写真、スクリーンショットなど、画像から始まった文書にはOCRが必要です。OCRがページ画像内の文字を認識し、見える内容の背面へテキストレイヤーとして埋め込みます。見た目は同じまま、文字を機械から扱えるようになります。

スクリーンショットツールによっては、書き出し時にOCRを実行します。その場合、別の処理をせず、最初から検索可能なPDFを作れます。

よくある失敗

• すべてのPDFを検索可能だと思う： きれいに読めるPDFでも、中身が画像だけの場合があります。文字を選択または検索して確かめます
• 検索可能なら認識も完全だと思う： テキストレイヤーの品質は文字認識に左右されます。元画像の画質が低い、特殊な書体、複雑なレイアウトなどではOCRが誤ることがあります。不完全でも検索に役立ちますが、検索やコピーの結果は認識精度の影響を受けます
• 「検索可能なPDF」を別のファイル形式だと思う： 独立した形式ではなく、PDFが持つ性質です。どのPDFも、検索可能または画像のみの状態になり得ます
• 確認せず画像だけのPDFを保管する： スキャンや撮影した文書を画像だけで保存すると、後から見つけにくくなります。保管前にOCRを行い、内容を検索できる状態にします