PDFからWordへ

PDFのページには、Word文書のような「段落」や「見出し」という概念がそもそもありません — 内部的には配置されたテキストのランの集まりであり、それぞれが実質的に「この文字をこのx,y座標に、このフォントで描画せよ」と言っているにすぎません。アウトラインも文書構造もなく、ある行がどこで終わり次の行がどこから始まるかという確実な概念すらありません。PDFビューアは、すべてのテキストランをその指定された位置に描画することでページの見た目を再構築し、読む人はその位置がたまたま揃っているために行や段落を認識しているにすぎません。PDFを編集可能な文書に変換するとは、そこから逆算して作業することを意味します: 似た垂直位置を共有するテキストランをグループ化して行にし、次にある行と次の行との間の垂直方向の隙間が異常に大きい箇所 — 段落が終わったことを示す合図 — に気づき、それを段落の区切りとして扱います。これは根本的に位置データからの再構築であり、ファイル内の何らかの隠れた文書構造を読み取っているわけではありません。だからこそ元の書式を復元できないのです — そもそもファイルの中に復元すべき構造化された書式情報など存在せず、あるのはインクがどこに置かれたかという情報だけだったのです。

「PDFを読む」ことと「スキャンされたページを読む」ことは同じ課題で同じツールが使えると思いがちですが、実際にはまったく異なる問題を解いています。このツールが行うテキスト抽出は、PDFがすでにテキストとして保存しているもの — 文字コードと位置という、PDFビューアが1文の選択とコピーを可能にするのと同じデータ — を読み取ります。OCR（光学文字認識）ははるかに難しい問題を解いています: ファイル内のどこにもテキストデータが存在しない、単なる画像であるページを見て、画像認識を使ってそこに写っている文字や単語を推測するのです。これは根本的により重い作業であり、画像処理、文字認識モデル、そして「正解」が何であるかについての本質的な不確実性を伴います。テキストがすでにテキストとして存在する場合には、これらのどれも当てはまりません。ブラウザ内で瞬時に動くことこそがこのツールの魅力であるのに、そこに本格的なOCRエンジンを組み込んでしまうと、少数派であるスキャンPDFのために、多くのPDFで発揮されるはずの速さと単純さを犠牲にしてしまいます。スキャンされた画像のみのPDFは現実によくあるケースであり、このツールは空の文書を黙って生成するのではなく、結果画面でその旨をはっきり伝えます — ただしそれをきちんと解決するには専用のOCRツールに頼る必要があり、このツールを本来の役割以上に無理に引き伸ばすことではありません。

より野心的な変換ツールなら、元のページのレイアウトを再現しようと試みるかもしれません — テキストをおおよそ正しい座標のボックスに配置し、列を推測し、フォントを再現しようとするのです。実際には、これは元の見た目に表面的には似ているものの、実際にはほとんど編集不可能な文書を生み出します: テキストが流れる段落ではなく切り離された浮動ボックスの中に収まり、何かを追加・削除するたびにひどく再レイアウトが崩れ、編集のたびにユーザーと衝突します。このツールが採る、抽出したテキストを普通の段落に再レイアウトするというアプローチは、視覚的な類似性をあえて捨てる代わりに、Word文書が本来そうあるべき振る舞いをする文書を手に入れます: 段落の末尾に文字を打てば普通に折り返され、文をひとつ削除すればページの残りが、ワープロソフトが昔からそうしてきたように再レイアウトされます。PDFの言葉を引用・修正・再利用・翻訳のために編集可能な文書へ取り出すという一般的な目的にとって、このトレードオフは正しい選択であり、だからこそこのツールはテキストエディタの皮を被ったレイアウト保持ツールになろうとはしないのです。