Unlimited OCR 2：スキャンPDFのテキスト化と表の抽出

Unlimited OCR 2で何が変わる？

Baiduは見出し、段落、表などの構造認識と、改ページをまたぐ表や本文の結合を説明しています。非常に長い文書が対象ですが、Unlimitedという名称はオンラインサービスの無制限利用を保証しません。利用制限や実行要件を確認してください。

出典： Baidu: Unlimited OCR 2 release and public test

スキャンPDFのテキスト化：3段階で進める

最初に入力を確認します。文字が選択できなければOCRが必要かもしれません。選択できても表の列がずれるなら、レイアウト抽出を確認します。原本と抽出結果を並べ、構造を照合してください。

次にID、日付、小数点、負号、列見出しを確認します。各行のページ番号を残しましょう。列がずれると、正しい数値でも誤った主張になります。

最後に検証済みの文章だけで回答させます。重要な記述には出典を求め、欠けた項目は不明と明記させます。文字起こしと解釈の質問を分けてください。

複数ページにまたがる表の確認方法

繰り返された見出しはデータ行ではありません。小計を明細に再加算しないようにします。続きの行を結合する前にIDを照合してください。似た説明でも別の記録の場合があります。

表計算ソフトへ出す前に元の行数、数値列の単位、少なくとも1つの合計を手作業で確認します。読めない文字は不明のまま残し、モデルに推測で埋めさせないでください。

正解がわかる文書分析プロンプトを試す

これはOCR自体ではなく、抽出後の推論を試す架空の文章課題です。ファイルのアップロードは不要です。A17は40単位、B22は25単位、合計65が正解です。重複見出しは加算せず、どちらの支払い状況も不明です。

支払い済みと断定したり、行を重複計上したり、見出しを項目に数えたら失敗です。別の文書で使う前に、各行の出典ページを示させましょう。

次の架空の抽出文書だけを使ってください。1ページ目：見出し「請求書 | 金額」、行「A17 | 40単位」。2ページ目：同じ見出し「請求書 | 金額」、行「B22 | 25単位」。支払い状況の記載はありません。請求書ID、金額、出典ページ、支払い状況を表にし、2つの金額を1回だけ合計してください。不明な支払い状況は不明と書き、重複見出しがデータ行ではない理由を説明してください。支払いを推測したり欠けた項目を作ったりしないでください。

自分の文書に合うOCRツールを選ぶ

大量処理の前に、鮮明なページ、低品質スキャン、複数段組み、改ページをまたぐ表を試します。自分のファイルの言語と文字体系を確認しましょう。1つの言語やきれいな例での成功は全資料での正確さを保証しません。

機密資料をアップロードする前に、処理場所とデータ取り扱い条件を確認します。評価には架空またはマスキング済みの資料を使いましょう。公開された重みを自分で動かす場合とオンラインサービスでは運用要件が異なります。

役に立つのは、原本までたどって検証できるデータです。抽出速度だけでなく、修正時間や欠落行も測ります。表を作り直す必要があれば、出力が速くても効果はありません。