スキャン PDF を Word にすると書式が崩れる理由

スキャンした PDF は、開けば Word 文書が出てくる箱ではありません。中身はページを写した画像の束です。編集できるようにするには、まず画像から文字を読み取り、そのうえで段落、段組み、表がどこにあったかを推測して組み立て直す必要があります。書式が崩れるのはこの推測の段階なので、スキャンの場合は始める前にどの方法を使うかを決めておくのが得策です。

まず、どんな PDF なのかを確かめる

PDF ビューアーで一文だけ選択してみてください。単語ごとに反転してきれいにコピーできるなら、そのファイルにはすでに文字の層があり、PDF Word 変換で編集できる文書に組み直せます。ページ全体が一枚の写真のように反転するならスキャンなので、ここから先の話が当てはまります。

当サイトの PDF Word 変換にスキャンを入れると

スキャンをそのまま PDF Word 変換にかけると、各ページが画像として貼られた .docx ができます。見た目は元どおりでも、文字を打ち込める場所はどこにもありません。先に OCR をかけても結果は同じです。OCR は各ページの裏に見えない文字の層を加えますが、Word への変換はその隠れた層を読まないからです。スキャンについては PDF Word 変換を使わず、次のどれかの方法を選んでください。

スキャンで実際に使える方法

1. 文章を Word で使いたい：PDF テキスト変換で「OCRを実行（スキャンページの文字を読み取る）」にチェックを入れます。認識された文字が .txt で返ってくるので、新しい Word 文書に貼り付けて、そこで体裁を整えます。見出しや表は自分で作り直すことになりますが、全文を打ち直すよりはずっと楽です。
2. 検索とコピーができれば十分：PDF OCR をかけて終わりにします。ページの見た目はそのままで、文字を選択できるようになります。
3. 中身がほとんど数字の表：PDF OCR をかけてから PDF Excel 変換にかけます。表の読み取りは OCR の層を使えますが、隣り合うセルが一つにまとまってしまうことがあるので、列は必ず確認してください。

日本語のスキャンは当サイトの OCR では読めない

当サイトの OCR が読めるのは英語だけです。日本語のページは精度が落ちるのではなく、そもそも認識されないので、上のどの方法でも日本語の文字は出てきません。アクセント記号の付いた欧文も崩れがちです。日本語の書類は、自分のパソコンで ocrmypdf に Tesseract の日本語データを入れ、-l jpn を付けて実行してください。縦書きなら -l jpn_vert、英語が混ざるなら -l jpn+eng です。

どの方法でもレイアウトが崩れる理由

OCR が認識するのは文字であって、ページを作った人の意図までは分かりません。薄いスキャンでは 8 が 3 になることがあります。二段組みを横一直線に読んでしまうこともあります。表はスペースで区切られた値の並びになりがちで、手書きはあてになりません。

• きれいでまっすぐ、コントラストの高いスキャンほど、OCR はよく読めます。
• 表や段組みのページは、いちばん念入りに見直してください。
• 印鑑や手書きのメモは、正確さが大事な箇所なら一文字ずつ原本と突き合わせてください。

直すより、元をよくするほうが早い

紙の原本が手元にあるなら、ページに対してまっすぐ、300 DPI 前後でスキャンし直してください。指や影、折れた角が写り込まないようにします。社内のシステムから出てきた PDF なら、元のデジタルファイルか作成元の文書をもらいましょう。本物のデジタル PDF なら PDF Word 変換できちんと組み直せます。きれいな原本が一つあれば、一時間かけて書式を直すより多くの時間が浮きます。

よくある質問

できた Word ファイルにページの画像しか入っていないのはなぜですか？

元の PDF がスキャンだったからです。組み直せる本物の文字が見つからなかったので、変換ツールは各ページを画像として貼りました。PDF テキスト変換で OCR をオンにして文字を取り出し、それを Word に貼り付けてください。日本語の書類なら、先に自分の環境で -l jpn を付けて OCR する必要があります。

ぼやけたスキャンは、もう一度変換すれば直りますか？

直りません。変換を繰り返しても、スキャンに写っていない細部は増えません。できれば原本をもっと鮮明にスキャンし直して、そのうえで OCR を一回だけかけてください。