ocrmypdf/OCRmyPDF

解決する課題

OCRmyPDF は、スキャンされたPDFファイルが本質的に検索、インデックス作成、コピー＆ペーストができない画像であるという問題を解決します。正確なOCRテキストレイヤーを追加することで、これらの「フラット」なPDFを検索可能なドキュメントに変換し、元の画質を損なうことはありません。

仕組み

これはスクリプト可能なコマンドラインツールであり、Tesseract OCRエンジンを使用して100以上の言語のテキストを認識します。処理プロセスには、PDFの解析、画像のクリーニング（傾き補正やページの回転）、そして認識されたテキストを元の画像の下に正確に挿入することが含まれます。長期保存用のPDF/Aファイルを生成でき、画像を最適化して最終的なファイルサイズを削減することも可能です。

対象ユーザー

大量のスキャン済みドキュメントをデジタル化する必要があるユーザー、ドキュメント処理を自動化したい開発者、そしてデータをプライベートに保ちながら個人のアーカイブを検索可能にしたいすべての人向けに設計されています。

主な特徴

• 検索可能な PDF/A: 長期保存に適した業界標準の PDF/A ファイルを生成します。
• 画像最適化: 埋め込まれた画像を最適化することで、入力ファイルよりも小さな出力ファイルを生成することがよくあります。
• ロスレス操作: 可能な限り既存のコンテンツを損なうことなく OCR 情報を挿入します。
• 前処理: 傾いたページの補正や、位置がずれたページの回転を行う組み込み機能を備えています。
• 拡張性: プラグインをサポートしており、Tesseract エンジンを EasyOCR や PaddleOCR などの代替エンジンに置き換えることができます。