複合機でスキャンして共有フォルダに溜めているPDFは、多くの場合「画像を貼っただけ」のファイルです。中を開けば読めますが、Windowsの検索窓やPDFの中の「Ctrl+F」で文字を探しても、1件もヒットしません。「あの見積書、たしか去年の秋頃にスキャンしたはず」というところから、ファイル名や日付を頼りに1つずつ開いて探す作業が発生します。
この状態を解決する無料の手段は実在します。ただし、たとえばOCRmyPDFという無料ソフトはコマンドラインの操作が前提で、Paperless-ngxという無料ソフトはDockerでサーバーを立てて共有フォルダの運用そのものを作り直す必要があります。どちらも技術に詳しい方には強力な選択肢ですが、日々の事務作業の合間に「今あるフォルダのPDFを検索できるようにするだけ」で済ませたい場合には、負担が大きいという声もあります。
複合機から届く画像だけのスキャンPDFに、見た目を1ピクセルも変えずに、裏側に検索できる文字情報を重ね書きします。原本には触れません。別のフォルダに、検索可能なコピーを作ります。
画面(フォルダを選んでボタンを押すだけの操作)からでも、コマンドラインからでも使えます。Docker・共有フォルダの構成変更は必要ありません。処理が終わると、「何ページ中何ページを検索可能にできたか」をまとめた日本語の確認表(表計算ソフトで開ける一覧表とブラウザで見られる資料)が必ず出るので、結果を確認してから納品・共有できます。
初回だけ、パソコンにOCRの読み取りエンジン(Tesseract OCRという無料の部品)を1つ入れる必要があります。これは配布されているインストーラをダブルクリックして「次へ」を押していくだけの作業で、コマンドの入力やDockerは必要ありません。 通常はこの一度きりのセットアップをIT担当や導入時の作業として行い、そのあとの日々の変換作業には難しい操作は要りません。
セットアップが終われば、画面を開いてフォルダを選び、ボタンを押すだけで一括変換できます。処理のあいだ、ファイルの中身がどこかに送信されることはありません。すべてお使いのパソコンの中だけで完結します。
ページごとに次の判定をしています。すでに文字情報があるページは何もせずそのまま通し、ほぼ白紙のページは高速な確認だけで判断してOCRの読み取りそのものを省略します。それ以外のページだけを画像として読み取り、認識した文字を元のページ画像の上に、見た目には出てこない形で同じ位置に重ねます。
さらに、認識の確からしさ(信頼度)が低いページは「要確認」として色分けして報告します。誤読が多い可能性があるという注意喚起で、確からしさが低くても検索自体はできる状態にはなりますが、重要な書類ならその一覧を見て目視でも確認できるようにしてあります。開発時には、わざと傾けて薄くしたサンプルで実際に確からしさが下がり「要確認」と判定されることを確かめています。
処理前後でページの見た目(画像そのもの)が変わっていないことは、開発中に画素を直接比較して確認済みです。ハンコの押し方や手書きの書き込み、紙の質感といった元のスキャンの情報は、そのまま残ります。
無料版は、1回の処理で合計30ページまでです。機能は1つも隠しておらず、確認表の内容も要確認の一覧も、購入版とまったく同じものが出ます。31ページ以上を指定すると、何ページ超過しているかを表示して、1ページも処理せずに止まります。30ページ以下に分ければ、無料版のまま最後まで使えます。
無料の手段は実在し、しかも強力です。名指しで比較します。
OCRmyPDF(無料・オープンソース)がもっとも近い競合です。 認識の正確さやオプションの豊富さでは、こちらのほうが上回る場面もあります。公式のドキュメントにも「コマンドラインで動くプログラム」だと明記されていて、標準の構成に画面はありません。毎回端末を開いてコマンドを打つか、自分でバッチスクリプトを組む必要があります。また、Windows向けの公式インストーラは配布されておらず、公式の案内はPythonや周辺ソフトを個別に用意する方法か、WSLやDockerの利用です。正直に書くと、端末操作に抵抗がなく、周辺ソフトも含めて自分で環境を整えられる方には、無料のOCRmyPDFのほうが総合力で上回ります。
Paperless-ngx(無料・オープンソース) は、単体の変換ツールではなく、Dockerで動かす本格的な文書管理のWebアプリケーションです。公式のセットアップは、タスクを管理する仕組みとデータベースを含む複数の構成要素が前提になっています。取り込んだファイルは自分自身のデータベースと保存領域で管理される仕組みで、今ある共有フォルダの構成やファイル名をそのまま検索できるようにする道具ではありません。タグ付けや複数人での閲覧まで含めた本格的な文書管理という点では、Paperless-ngxのほうがはるかに高機能です。
この製品が正直に言える違いは、画面からフォルダを選んでボタンを押すだけで一括変換できること、変換のたびに日本語の確認表を自動で出すこと、Docker・データベース・サーバーを必要とせず今の共有フォルダの構成を変えずに済むことです。技術に詳しい方がDockerやコマンド操作を厭わないなら、無料のOCRmyPDFやPaperless-ngxのほうが総合力では上です。この製品が売っているのは機能の多さではなく、事務担当がDocker・コマンド操作・共有フォルダの引っ越しなしで一括変換を済ませられる、その手間そのものです。
以下に当てはまる方には向きません。
OCRは統計的な認識処理であり、手書き・かすれ・低解像度・特殊な字体では認識に失敗します。この製品が言えるのは「どのページをどういう理由で処理したか」を確認表に正直に出す、ということだけです。 確認表で「要確認」となったページは、重要な書類なら目視でも確認してください。
暗号化されたPDFやパスワード付きのPDFは、変更せずに停止します。OCRの読み取りエンジン(Tesseract OCR)そのものは同梱しておらず、実行するパソコンに別途インストールが必要です。日本語以外の言語向けの調整はしていません。
単品買い切り9,800円で、BOOTHで販売予定です。月額・従量課金・ライセンスキー・オンライン認証はありません。デジタルデータの性質上、ダウンロード後の返品・返金は受けられませんが、無料版で機能を隠さず全部試せます。
← 他のお悩みも見る