スキャンした PDF に OCR をかけて検索可能にする方法

スキャンされたPDFはテキストではなく画像です。その内容を検索、選択、コピーすることはできません。このガイドではpdfmcpの2つのローカルな方法、つまり検索可能なPDFへのOCRと、プレーンテキストへのOCRを、すべてあなたのデバイスで、本当に重要な設定とともに示します。

スキャンされたPDFにテキストがない理由

スキャナーは各ページの写真を保存します。単語は文字ではなく画像の中のピクセルであるため、検索は何も見つけず、テキスト選択は何も選択せず、コピーするものがありません。OCR（光学式文字認識）がこれを解決します。各ページの画像を読み、ピクセルがどの文字を形作っているかを推定します。

pdfmcpはそのためにTesseractを使います。OCR操作は2つあり、それぞれ異なるニーズに応えます。ocr_pdfは、見た目は同じでも見えないテキストレイヤーを持つPDFを返し、文書自体が検索・選択可能になります。ocr_to_textは単語だけをプレーンテキストで返します。どちらもローカルで動作します。

方法を選ぶ：検索可能なPDFか、テキストのみか

文書が文書のままでなければならない場合はocr_pdfを選んでください。契約書、報告書、他の人が開いて参照し引用するアーカイブなど。きれいな検索可能PDFを作るには重い機構が必要なため、pdfmcpパッケージでローカルに動作します。すでにテキストレイヤーがあるページは変更されずに通過し、スキップされたと報告されるため、混在した文書で実行しても安全です。

単語だけが必要な場合はocr_to_textを選んでください。メモに貼る、スクリプトに渡す、スキャンの内容を読むなど。ウェブサイトではあなたのデバイス、ブラウザで動作し、ファイルがアップロードされることはありません。なお、デバイス上のウェブ版には英語のみが含まれます。ローカルパッケージの同じ操作では言語を設定できます。

検索可能なPDFを作る、手順

1) pdfmcpパッケージを一度インストールします（MCPページ参照）。2) ローカルパッケージ、ローカルMCPで接続されたエージェント、またはあなたのコードで、ファイルに対してocr_pdf操作を実行します。3) 結果を開いて確認します。ページで見える単語を検索してください。検索がそれを見つけて正しい場所でハイライトすれば、テキストレイヤーは正しく入っています。

AIエージェント経由で作業する場合、同じ手順は1つの依頼に縮みます。ローカルMCPサーバーを一度接続し（設定ガイド参照）、エージェントにファイルのOCRを頼むだけです。すべてはあなたのマシンで完結します。

重要な設定：言語、DPI、ページ

言語は、人々が最も間違える設定です。デフォルトはeng（英語）です。他の言語については、言語パラメータにTesseractの言語コードを設定するか、コードを組み合わせます。たとえば英語とドイツ語が混在する文書では eng+deu です。言語データは初回利用時に一度だけダウンロードされ、あなたのマシンに残ります。文書が実際に書かれている言語を選ぶことが、他のどの設定よりもはるかに重要です。

DPIのデフォルトは300で、150から600の間で設定できます。これは認識前に各ページがレンダリングされる解像度です。通常のスキャンでは300のままにしてください。値を上げると小さな文字に役立つ場合がありますが、あなたのマシンでの処理は遅くなります。最後に、ページパラメータは作業を指定したページ（たとえば1-3,5,8）に制限します。これは長い文書を処理する前に、数ページで設定を試す最も速い方法です。

制限、プライバシー、正直な限界

実際にはあなたのデバイスが制限となります。メモリと速度、そしてブラウザでは約100MB、500ページまでのファイル。非常に長い文書はあなたのマシン次第の時間がかかります。巨大なスキャンを部分に分けることは依然として良い考えです。

プライバシーは、サイト自体が行う主張以上の強い主張をせず、pdfmcpの規則に従います。すべてがローカルで動作し、あなたのファイルがアップロードされることも、サーバーに保管されることも、AI学習に使われることもありません。そして正直な限界として、OCRは適度に鮮明なスキャンから印刷文字を読み取ります。手書き、低コントラストのスキャン、破損したページは誤りを生みます。結果は最善を尽くしたテキストレイヤーであり、公証された転写ではありません。重要な名前や数字はページ画像で確認してください。

ブラウザで無料で試す

よくある質問

pdfmcpのOCRは無料ですか？

はい、ずっと無料です。デバイス上のテキストへのOCRツールは無料で、アカウントは不要です。ローカルパッケージによる完全なOCRも無料で、キーも1日の上限もありません。有料プランはありません。

OCRは私のPDFの見た目を変えますか？

ocr_pdfは見えないテキストレイヤーを追加します。ページ画像はそのままです。すでにテキストがあるページは変更されずに通過し、スキップされたと報告されます。

OCRはどの言語を読めますか？

ローカルパッケージでは、言語パラメータにTesseractの言語コードを設定します（デフォルトはeng。eng+deuのような組み合わせも機能します）。言語データは初回利用時に一度だけダウンロードされます。デバイス上のウェブOCRテキストツールには英語のみが含まれます。

大きなスキャンに時間がかかるのはなぜですか？

OCRは重い処理であり、あなたのマシンで動作するため、非常に長いスキャンはあなたのコンピュータ次第の時間がかかります。文書を小さな部分に分けてそれらにOCRを適用するか、ファイルにすでにテキストレイヤーがある場合は代わりにpdf_to_textでそのテキストを抽出してください。

OCRは手書きに対応しますか？

印刷文字向けに設計されています。手書きや低品質のスキャンは誤りを生む場合があるため、重要な詳細は元のページ画像で確認してください。

初出: https://pdfmcp.org/guides/how-to-ocr-a-scanned-pdf/