スキャンしたPDFは、画面上ではくっきり見えていても、テキストがまったく含まれていないことがあります。各ページがただの画像だからです。文を選択したり、単語を検索したり、文字サイズを変えたりしても何も起きないのはそのためです。こうしたページ画像をリフロー型のEPUBにするには、まず文字を認識しなければなりません。この処理を光学文字認識(OCR)と呼びます。
OCRを使えば、スキャンを検索できるようにして電子書籍リーダーで読めるようにできますが、魔法ではありません。元のスキャンの品質、資料の種類、レイアウトのすべてが結果を左右します。ここでは、変換中に何が起きるのか、どこに注意すればよいのか、そしてページをそのまま再現する電子書籍のほうが向いているのはどんな場合かを説明します。
まず、PDFが本当にスキャンか確かめる
文をひとつ選択して、テキストエディターにコピーしてみてください。普通の文字が貼り付けられれば、そのPDFにはすでにテキストレイヤーがあり、OCRは不要かもしれません。ページ全体をひとつのオブジェクトとしてしか選択できない、あるいは何も選択できない場合、そのページはおそらく画像です。一部のページには選択できるテキストがあり、ほかのページはスキャン、という混在したPDFもあります。
この違いが重要なのは、OCRでは認識という工程が加わる一方、既存のテキストレイヤーはそのまま抽出できるからです。よい変換処理はページを1枚ずつ確認し、すでにあるテキストを活かして、必要な箇所にだけ認識をかけます。
OCRが実際にしていること
OCRはページ画像の中の形を分析し、それがどの文字や単語を表しているかを推定します。認識したテキストは段落や章にまとめ、EPUBとしてパッケージできます。EPUBにはテキストが入っているので、読書アプリで文字サイズや書体を変えたり、小さな画面に合わせて行を流し直したりできます。
元のページ画像と、認識されたテキストは別のものです。OCRが再構成するのは文字であって、印刷されたページの細部まで自動で再現するわけではありません。複雑な段組み、脚注、コラム、表、イラストには特別な処理が必要だったり、元のレイアウトのままのほうが自然に読めたりすることがあります。
認識の精度を左右するもの
- 解像度:鮮明なスキャンは、ぼやけた画像や強く圧縮された画像よりも、文字の形をはっきりと認識エンジンに伝えます。
- コントラストと照明:薄いインク、綴じ目近くの影、しみ、ムラのある背景は、文字を判別しにくくします。
- ページの傾き:回転したり、湾曲したり、斜めになったりしたページでは、行や段を分けるのが難しくなります。
- 文字組み:珍しいフォント、手書き文字、詰まった文章、ごく小さな文字は、きれいに印刷された文章より認識が難しくなります。
- ページの構造:段組みのレイアウト、数式、グラフ、脚注は、個々の単語が正しく認識されていても、間違った順序で読まれることがあります。
くっきりとした1段組みの小説は、OCRにとって扱いやすい仕事です。数式だらけの低解像度の教科書は、はるかに手ごわい相手です。出力は元のページと見比べて判断しましょう。特に図、数式、ページの切れ目の周辺は要注意です。
リフロー型EPUBか、固定レイアウトか?
いちばんの目的が快適に読むことなら、リフロー型EPUBを選びましょう。大きな文字、調整できるフォント、電子書籍リーダーに合わせて変わるページが手に入ります。スキャンでそれを実現するためのテキストを用意するのがOCRです。小説やレポートなど、おおむね先頭から順に読む文書に最適です。
文字サイズを変えられることよりも、元のページとの一致が大事なら、固定レイアウトのEPUBを選びましょう。各ページが見た目のまま保たれるので、絵本、アート作品、記入用の書式、そして図や配置そのものが意味を持つ資料に向いています。その代わり、ページは普通の電子書籍のテキストのようにはリフローしません。
教科書やマニュアルの場合は、どう使うかによって正解が変わります。長い文章を読むならリフローが便利ですが、複雑な図を保つなら固定ページが向いています。両方が混ざった資料なら、形式を決める前に、特に重要なページを確認してください。
変換後の簡単な品質チェック
- 読む予定の端末やアプリでEPUBを開きます。
- 文字サイズを大きくして、ページ画像のままではなく、テキストがリフローすることを確認します。
- 元のPDFに見えている単語で検索し、電子書籍の中でもヒットするか確認します。
- 見出しのあるページ、図のあるページ、文字の詰まったページや段組みの見開きなど、代表的なページをいくつか見比べます。
- 文書にはっきりした章立てがあるなら、目次を使って章の間を移動してみます。
スキャンの段階で読み取れないページは、OCRでも見えていない情報を取り戻すことはできません。特定の数式やイラストを正確に残す必要があるなら、PDFを参照用に取っておくか、ページをそのまま保つレイアウトを選んでください。
スキャンを読める本に変えよう
スキャンしたPDFは、EPUBの形に包むだけでは足りません。文字を認識し、内容に合った出力レイアウトを選ぶ必要があります。文章が中心なら、OCRでページ画像を、電子書籍リーダーに合う検索可能なテキストに変えられます。ページそのものが主役の文書なら、固定レイアウトで残すほうが原本に忠実な選択になることもあります。
試してみる準備ができたら、まずPDFを用意し、文書に合った変換オプションを確認してからEPUBをダウンロードしてください。
スキャンしたPDFがありますか?EPUBにどう変換されるか確かめてみましょう。
PDFをEPUBに変換 →完成した本をKindleで読むための手順は、Kindle向けにPDFをEPUBに変換する方法を参照してください。