スキャンした文書を検索可能なPDFに変換する実用ガイド

スキャン画像は保管に便利ですが、写真のように扱われます。テキストは検索エンジンやスクリーンリーダー、ほとんどの生産性ツールから見えません。画像を 検索可能なPDF に変換すると、アクセシビリティ、検索性、下流の活用価値が向上し、原本の紙を残す必要がなくなります。このプロセスはワンクリックで済むものではなく、適切なキャプチャ設定の選択、光学文字認識（OCR）の賢い適用、出力品質の検証が不可欠です。本ガイドでは全体のワークフローを順に解説し、よくある落とし穴を指摘し、機密文書を扱う際のプライバシー保護の実用的なコツも提供します。

1. 検索可能なPDFの基本を理解する

検索可能なPDFは、元のラスタ画像（スキャンされたページのビジュアル表現） と OCR で生成された見えないテキスト層を保持するハイブリッドコンテナです。テキスト層は画像上に正確にマッピングされているため、単語単位での選択・コピー・インデックス付けが可能になります。この形式は以下の二つの技術概念に支えられています。

  • 画像層 – ピクセル単位で正確なスキャン。通常は PNG や高解像度 JPEG のようなロスレス形式で保存します。画像をそのまま保持することで、法的文書やアーカイブに重要な視覚的忠実性が確保されます。
  • テキストオーバーレイ – OCR エンジンのレイアウト解析に基づいて配置された Unicode 文字の隠れ層。PDF のコンテントストリームに保存され、画像だけを表示したいときはオフにできます。

この二重構造を理解すれば、変換が失敗する理由が分かります。OCR を実行しなければ PDF は画像のままですし、レイアウト解析が列や表を誤認するとテキストが乱れます。

2. スキャン前の紙文書の準備

ピクセルが一つでも撮られる前に、原本を最適化しましょう。原本の品質が低いと、下流で OCR ソフトが文字を推測せざるを得ず、誤認識率が上がります。

2.1 クリーニングとフラット化

  • ホチキス止め、クリップ、裁ちばさみなど影を落とす可能性のある金具は取り除く。
  • 埃やインクの汚れは布（ほこりの出ないもの）で拭き取る。デリケートなページは lint‑free の布が最適。
  • カールや折れ目は軽い重り（例：きれいな本）で数分間平らにする。

2.2 用紙サイズと向きの選択

サイズが混在した束をそのままスキャンすると、余白が増えて DPI が不揃いになります。スキャナを自動サイズ検出に設定するか、A4/Letter を手動で選択してください。向きは統一しましょう——幅広い表は横向き、文字中心のページは縦向きです。

2.3 適切な DPI の設定

DPI が高いほど OCR は鮮明になりますが、ファイルサイズも増大します。ほとんどのテキスト文書では 300 dpi が可読性と保存容量のバランスが取れています。細かいグラフィックや小さなフォントがある場合は 400–600 dpi に上げましょう。極小文字以外で 1200 dpi を超える必要は基本的にありません。

3. スキャン時の重要設定

完璧な原本があっても、スキャナ設定が OCR 成否を左右します。

3.1 カラーモード

  • モノクロ（ビトナル） – 純粋なテキストに最適で、ファイルサイズが大幅に減少します。ただしグレースケールの印（スタンプなど）は消えてしまう可能性があります。
  • グレースケール – 微妙な陰影を保持しつつ、フルカラーよりは小さくなります。軽い図版がある文書に最適。
  • カラー – 写真、図、カラーが意味を持つフォームには必須です。

3.2 圧縮

多くのスキャナはオンザフライ圧縮を提供します（例：ビトナルは CCITT Group 4、グレースケール/カラーは JPEG）。アーカイブ目的ならロスレス圧縮を、日常利用なら品質 80–90 の高画質 JPEG が許容範囲です。

3.3 スキャンソフトウェア

マルチファンクションプリンタは専用ドライバで PDF 直接出力が可能です。中立的なワークフローを好む場合は、TIFF（ロスレス）や PNG にスキャンし、後で専用 OCR ツールに渡すと、取得と認識を分離できて制御がしやすくなります。

4. OCR エンジンの選択

OCR が変換の核です。市場で主流のエンジンはそれぞれ特徴があります。

エンジンオープンソース？対応言語典型的な利用ケース
Tesseractはい100 以上カスタムパイプライン、研究、サーバ側処理
ABBYY FineReaderいいえ（商用）190 以上大量処理の企業向け、複雑レイアウト
Google Cloud Visionいいえ（クラウドサービス）50 以上（自動検出）スケーラブルなウェブサービス、多言語 OCR
Adobe Acrobat Pro DCいいえ（デスクトップアプリ）20 以上オフィス環境、アドホック変換

プライバシー重視のユーザには、オフラインエンジン（Tesseract やクラウドへ送信しないデスクトップ版）が推奨されます。法律文書や学術論文など高度に構造化された文書の場合は、ABBYY のレイアウト解析がフリーの代替より優れています。

5. 変換ワークフロー

以下はインターネットに接続しないワークステーションでも実行できる再現性の高いパイプラインです。機密保持が可能です。

ステップ 1 – 高品質画像にスキャン

各ページを個別の TIFF（ロスレス）または高画質 PNG として出力します。docname_001.tif のように番号付きで保存すると、後のバッチ処理が楽です。

ステップ 2 – 画像前処理

基本的なクリーンアップを実施:

  • ImageMagick の -deskew で傾き補正。
  • 軽いガウスぼかし -blur 0x0.5 でノイズ除去。
  • ビトナル圧縮を予定する場合は -threshold 50% で二値化。

ステップ 3 – OCR 実行

Tesseract の例（英語）:

for f in *.tif; do
  tesseract "$f" "${f%.tif}" -l eng pdf
done

pdf 出力フラグにより、ページごとの検索可能 PDF が自動で生成され、画像とテキスト層が埋め込まれます。

ステップ 4 – 複数ページ PDF の統合

個別ページ PDF を pdfunite（poppler-utils）または ghostscript で結合:

pdfunite page_*.pdf complete_document.pdf

目次やブックマークが必要な場合は、pdftk でテキストファイルから注入できます。

ステップ 5 – サイズ最適化

検索可能 PDF は画像データが重複しがちです。gs で画像を再圧縮しつつテキスト層は保持します:

gs -sDEVICE=pdfwrite -dCompatibilityLevel=1.7 \
   -dPDFSETTINGS=/printer -dNOPAUSE -dBATCH \
   -sOutputFile=optimized.pdf complete_document.pdf

/printer プリセットは約 300 dpi の解像度を維持しつつ、ファイルサイズの肥大化を防ぎます。

6. 品質保証：OCR 正確性の検証

テキスト層が信頼できなければ変換は価値がありません。ランダムなスポットチェックだけでは体系的な誤りを見逃すことがあるため、構造化された QA 手法を取り入れましょう。

6.1 自動スペルチェック

pdftotext で OCR テキストを抽出し、aspell や hunspell にパイプして誤字を検出。固有名詞の誤検出は多いですが、エラーが急増したら画像品質や言語設定に問題があります。

6.2 レイアウト検証

テキスト層の表示/非表示を切り替えられるビューア（例：Acrobat の「Read Out Loud」や無料の PDF‑XChange Editor）で確認。多列記事は列順が保たれているか、表はセル境界が残っているかをチェック。ずれは列構造検出失敗が原因です。

6.3 検索テスト

各ページから数語キーワードを選び、ビューアの検索機能でヒット位置を確認。結果が無い、または誤ったページに飛ぶ場合は OCR のマッピング調整が必要です。

6.4 アクセシビリティチェック

PDF/UA 準拠を目指すなら PAC 3 などのアクセシビリティバリデータを走らせます。完全準拠は必須でなくても、タグ欠如や読めない文字が判明すればスクリーンリーダーユーザーの利用が阻害されます。

7. 複雑文書の取り扱い

実務上のスキャンには OCR エンジンを悩ませる要素が多数あります。

7.1 多列レイアウト

標準 OCR は左上から右下へ直線的に走査するため、隣接列の文字が連結されがちです。一部エンジンは ページ分割モード を提供しています（例：Tesseract の --psm 4 は単一列、--psm 1 は自動）。設定を試すか、領域指定が可能な OCR ソフトで ROI を手動定義します。

7.2 表とフォーム

純粋な OCR は表を直列テキストに変換し、格子構造が失われます。表を保持したい場合は:

  • ABBYY FineReader の表抽出機能でタグ付 PDF 表として出力。
  • まず CSV にエクスポートし、PDF に隠し層として埋め込む（手間は増える）。

7.3 手書き注釈

ほとんどの OCR エンジンは手書き文字に弱いです。注釈が必須なら、画像をビジュアル参照として残し、PDF 注釈として別途コメント層を追加するハイブリッド手法を検討。Microsoft OneNote の手書き認識機能などもありますが、精度はケースバイケースです。

8. プライバシー中心の考慮点

機密契約書、医療記録、個人手紙などをスキャンする場合は、データ取り扱いに厳格な管理が求められます。

8.1 ローカルのみで処理

パイプライン全体を、ネットワークから切り離された（エアギャップ）マシン上で実行します。GDPR、HIPAA などの規制に合致する明文化されたデータ処理契約がない限り、クラウド OCR は利用しないでください。

8.2 保存時の暗号化

中間画像や最終 PDF は BitLocker（Windows）、FileVault（macOS）、Linux の ecryptfs などで暗号化フォルダに保存します。作業端末が侵害されても情報漏洩リスクを抑えられます。

8.3 安全な削除

変換に成功したら、shred（Linux）や SDelete（Windows）など、データを上書きして消去できるツールで元画像を安全に削除します。ファイル復元攻撃への対策になります。

8.4 最小保持ポリシー

保持期間を明確に定義：原本スキャンは一定期間（例：30 日）だけ保存し、その後は削除。検索可能 PDF はサイズが小さくテキスト検索可能なので、長期保存用の記録として活用できます。

プライバシーに配慮したクラウドサービスを利用したい場合は、convertise.app を検討してください。ブラウザ側で処理し、サーバにデータを残さない仕組みです。

9. 高度な自動化のヒント

大量の文書を毎日デジタル化する組織では、手作業がボトルネックになります。以下は既存の文書管理システムへ統合できる自動化アイデアです。

9.1 ウォッチフォルダスクリプト

スキャナが TIFF ファイルをドロップするディレクトリを作成し、バックグラウンドスクリプト（Windows は PowerShell、Linux/macOS は Bash）でフォルダ監視と OCR パイプラインの自動起動を実装します。例（inotifywait を使用した Bash）:

while inotifywait -e close_write /path/to/watch; do
  ./run_ocr.sh
done

9.2 DMS API との連携

SharePoint、Alfresco などの文書管理プラットフォームを利用している場合、アップロードされたスキャンを受け取り、コンテナ化された変換サービス（Docker 化 Tesseract）で処理し、検索可能 PDF を DMS に返す API エンドポイントを用意します。

9.3 コンテナ化

画像前処理、OCR、PDF 組み立ての一連の流れを Docker イメージにパッケージ化します。これによりマシン間で環境が統一され、Kubernetes などのオーケストレーションツールでスケールアウトしやすくなります。

10. よくあるトラブルと対処法

堅実なプロセスでも時折問題が発生します。以下は瞬時に参照できるチェックリストです。

  • 文字化け – DPI が低すぎる、または圧縮が強すぎる可能性があります。解像度を上げて再スキャンしてください。
  • テキスト層が欠如 – OCR がスキップされています。コマンドに pdf 出力フラグが含まれているか確認。
  • 言語設定ミス – 正しい言語パックがインストールされているか確認（例：tesseract-<lang>）。多言語文書は -l eng+fra+spa のように複数指定。
  • ファイルサイズが大きい – OCR 後に Ghostscript で画像を再圧縮するか、ビトナルページは CCITT 圧縮を有効化。
  • 検索結果が別ページに飛ぶ – 列検出モードを見直す（--psm パラメータ）か、領域を手動で指定。

11. デジタルライブラリの将来設計

検索可能 PDF の作成は重要なステップですが、長期的に利用し続けられるように配慮が必要です。

  • 命名規則の統一 – YYYYMMDD_CompanyName_DocumentTitle.pdf のように一貫したファイル名スキーマを導入。
  • メタデータ埋め込み – PDF のメタデータ（Title、Author、Subject、Keywords）に出典情報を記録。exiftool で一括適用可能です。
  • バージョン管理 – 文書が更新されたら上書きせず増分バージョンとして保存し、監査証跡を残す。
  • バックアップ戦略 – 地理的に離れた場所に最低二箇所でコピーを保管。可能であれば AWS Glacier Vault Lock や Azure Immutable Blob のようなイミュータブルストレージを活用。

12. 結論

紙のスキャンを検索可能 PDF に変換する作業は、ハードウェアの選定、画像処理、OCR 技術、そしてプライバシー管理という複数の要素が組み合わさります。原本を適切に整え、スキャナ設定を入念に行い、最適な OCR エンジンを選択し、厳格な品質チェックを実施すれば、視覚的忠実性を保ちつつデジタルで機能する PDF が得られます。自動化により組織規模での導入も可能で、暗号化や安全削除で機密情報を守りながら、検索性・アクセシビリティ・保管コストのすべてを改善できます。

この結果、検索可能でアクセシブルなアーカイブが実現し、情報を瞬時に見つけ出すことができ、アクセシビリティガイドラインにも適合し、画像コレクションに比べて保存容量も削減されます。個人の蔵書デジタル化から企業全体の記録管理システム構築まで、本稿で示した原則は高品質な検索可能 PDF を作るための信頼できる土台となります。