ドキュメント抽出

スキャンされた書籍、コピーされたアーカイブ、縦書きのページなど、画像化されたドキュメントがあります。抽出機能はこれらを読み取り、検索や編集が可能なテキストと構造を返します。

縦書きの日本語や中国語は横書きに変換され、複数段組みのページもバラバラのブロックではなく、読み取り順序に従って出力されます。

利用シーン

フォーマット変換を行うかどうかの境界線は、テキストが画像内にロックされているかどうかです。スキャンデータ、写真、古い縦書きの書籍などは、まず文字を認識する必要があるため、この機能が適しています。すでにデジタル化されており、テキストを選択できるようなクリーンなドキュメントで、拡張子のみが異なる場合は、より高速なフォーマット変換をご利用ください。どちらも1ページあたり4クレジットですが、カウント方法が異なります。ドキュメント抽出は元のファイルのページ数をカウントし、フォーマット変換は変換後のファイル全体の文字数をカウントします（1,600文字ごとに1ページとし、端数は切り捨て、最低1ページ分を課金）。同じPDFでも、1ページあたりの平均文字数が1,600文字未満の複数ページファイルは変換コストが低くなりますが、1ページあたりの平均が1,600文字を超える場合や、1ページのみの場合は、変換しても安くなりません。

抽出のみで翻訳は行われません。入力された言語がそのまま出力されます。翻訳が必要な場合は、ファイル翻訳をご利用ください。

対応フォーマットと出力形式

PDF、画像（PNG / JPG / WEBP / TIFFなど）、DOCX、EPUB、Markdownに対応しており、Word、PDF、TXT、Markdownで出力可能です。料金はページ単位で、1ページあたり4クレジットです。画像1枚は1ページとしてカウントされます。

バックグラウンドジョブとして実行されるため、ページを閉じて後から「履歴」で結果を確認できます。完了したジョブはオンラインでプレビュー可能です。

抽出精度が高くなる条件

鮮明な印刷物で、まっすぐにスキャンされている場合、最も高い認識率が得られます。
縦書きの日本語、見開きページ、その他の特殊な読み取り順序は自動的に修正されるため、手動でページを分割する必要はありません。
画像が不鮮明な場合や手書き文字が多い場合は、エクスポート前に原本と照らし合わせるのが安全です。

4つの出力形式の選び方

出力形式	推奨される用途
Word	継続して編集やフォーマット調整を行う場合、または他者に渡す場合。
Markdown	ノートアプリやナレッジベース、または独自の執筆環境に取り込む場合。
TXT	他のツールへの入力や、検索用のプレーンテキストが必要な場合。
PDF	閲覧やアーカイブのみを目的とする場合。

処理結果の例

1913年米国国勢調査抄録の2ページのスキャン画像（2段組みテキストと統計表、テキストレイヤーなし）が、Document Extractionによって編集可能なテキストに変換されます。本文と太字のランイン見出しが正確に認識され、2レベルのヘッダーを持つ表を含む両方の表が、元のセルと一致する数値を持つ30行のデータ行を備えた実際の表として復元されます（脚注を含む）。

1913年米国国勢調査抄録の437ページのスキャン画像：上部に2段組みのテキスト、中央に表1とラベル付けされた統計表、その下に2段組みの定義がある黄ばんだ紙面。 — 1913年米国国勢調査抄録の437ページ（テキストレイヤーのないスキャン画像）：本文と太字のランイン見出しが正確に認識され、表1は15行5列の編集可能な表となり、75個の数値が元のセルと一致しています。

抽出されたMarkdownのレンダリング結果：見出し「GENERAL SUMMARY.」、太字のランイン見出しを含む本文の段落、および「Total」、「Continental United States」、「Alaska」、「Hawaii」、「Porto Rico」の各列を持つデータ表。 — 1913年米国国勢調査抄録の437ページ（テキストレイヤーのないスキャン画像）：本文と太字のランイン見出しが正確に認識され、表1は15行5列の編集可能な表となり、75個の数値が元のセルと一致しています。

438ページのスキャン画像：上部に2段組みのリード文、中央に表2の比較表（1909年、1904年、1899年の数値と2つの増加率の列）、その下に2段組みのテキスト。 — 438ページ：2レベルのヘッダー（「Number or Amount」および「Per Cent of Increase」、それぞれ年ごとに分割）を持つ1899〜1909年の比較表が、2行のヘッダーと元のセルと一致する数値を持つ編集可能な表になります。脚注マーカー(1)と脚注「Figures not available.」も保持されています。

抽出されたMarkdownのレンダリング結果：リード文の段落、データ表としての表2（1909年、1904年、1899年と2つの増加率の列）、脚注、およびその後に続く本文の段落。 — 438ページ：2レベルのヘッダー（「Number or Amount」および「Per Cent of Increase」、それぞれ年ごとに分割）を持つ1899〜1909年の比較表が、2行のヘッダーと元のセルと一致する数値を持つ編集可能な表になります。脚注マーカー(1)と脚注「Figures not available.」も保持されています。

実際の生成出力。表示前に5箇所を手動で修正済み。 · 出典：1910年米国第13回国勢調査：国勢調査抄録, 米国国勢調査局, 1913 (米国政府の著作物：米国国勢調査局が編集し、1913年に政府印刷局から出版されたため、合衆国法典第17編第105条に基づき著作権の対象外です。Internet Archiveのアイテム（カリフォルニア大学図書館がスキャン）は、possible-copyright-status = NOT_IN_COPYRIGHTとマークされています。)

よくある質問

縦書きの日本語は正しい順序に戻りますか？

はい。縦書きの日本語、見開きページ、その他の特殊な読み取り順序は自動的に修正され、横書きに変換されます。手動でページを分割する必要はありません。複数段組みのページもバラバラのブロックではなく、読み取り順序に従って出力されます。

料金体系はどのようになっていますか？

ページ単位です。1ページあたり4クレジットで、画像1枚は1ページとしてカウントされます。

抽出したテキストを翻訳できますか？

このページではできません。翻訳が必要な場合は、抽出したWordまたはMarkdownファイルをファイル翻訳にアップロードして実行してください。