OCR It、コピーできないPDFをブラウザーで編集可能な文章に変換

概要

スキャンPDFやコピーできないPDFから文章を取り出す作業は、読むこと以上に手間がかかります。Firecrawlチームと関係のある開発者が公開したOCR Itは、この作業をブラウザー上の簡単な操作にまとめようとするオープンソースツールです。認識範囲を指定すると、ページをキャプチャし、OCRを実行し、次のページへ進みながらテキストを蓄積できます。

主なポイント

• 処理速度を重視：プロジェクトの説明では、コピーできないPDFの1ページを最短20ミリ秒で処理できるとされています。また、3秒で200件のPDFを処理できるという説明もあります。ただし、これらはプロジェクト側が示した性能値であり、文書の複雑さやブラウザー環境、処理キューによって実際の速度は変わります。
• ローカルで動作：ChromeとFirefox向けの拡張機能で、内蔵されたTesseractを使ってOCRを実行します。APIキーやインターネット接続は必要ありません。インストール時に広範なサイト権限を要求せず、自動実行やクロスオリジンiframeの操作が必要な場合だけ、対象サイトの権限を求めます。
• 手動・自動の両モード：手動モードでは、最初に認識範囲を選び、ショートカットで各ページを処理します。ページを送りながら認識タスクをバックグラウンドで待機させることもできます。自動モードは、キャプチャ、OCR、ページ送りを繰り返し、同じページが続く場合、次へ進めない場合、OCRに失敗した場合、または300ページに達した場合に停止します。
• 出力前に修正可能：拡張機能のパネルで文章を確認し、編集したり、特定ページだけ再認識したりできます。全体をコピーするか、TXTとしてダウンロードすることも可能です。記事ではMarkdown向けの出力として紹介されていますが、利用手順で明確に示されている出力は編集可能なテキストとTXTです。

複雑なPDFにはまだ課題

OCR Itの魅力は、速く、導入が軽いことです。サーバーを構築したり外部APIへ文書を送ったりせず、抽出した内容をAIの要約、検索、質問応答に回せます。一方、認識が速いこととレイアウトを正確に復元できることは別です。

素材内のテスト結果によると、文字が鮮明で構成が単純なページは扱いやすい一方、見出し、脚注、表、数式、本文が混在するページでは、位置ずれや抜けが発生する可能性があります。ブラウザー内蔵のPDFビューアーでは自動ページ送りにも制約があるため、その環境では手動モードの方が安全です。

意義

OCR Itは、ローカルOCR、ブラウザー自動化、AI読書ワークフローが近づいていることを示しています。単に画像を文字へ変換するだけでなく、設定の負担を下げ、扱いにくいPDFをAI処理へ接続できる点が重要です。今後、表や数式、複雑なレイアウトへの対応が改善されれば、軽量なPDF知識処理ツールとして有用性が高まりそうです。

出典：量子位