PNGを1つのWordファイルに変換
アップロードした各PNGは、別々のファイルにはならず、1つの連続したWord文書の一部になります。改ページによって、元の画像がどこで終わり次の画像がどこから始まるかが示されます。OCRは見出し、段落、簡単な表を含む各画像のレイアウトを読み取り、テキストの画像としてではなく、編集可能なテキストと書式として再構築します。
出力が1つのDOCファイルであるため、3枚目の画像で認識された見出しと7枚目の画像で認識された本文は、同じ文書の流れの中に収まります。そのため境界をまたいで範囲選択したり、改ページを削除したりして、必要であれば元の2枚の画像を1つの連続した段落に統合することもできます。
変換前に結合する理由
Word文書は編集するためのものであり、10個の別々のファイルを編集するのは1つのファイルを編集するより時間がかかります。画像4の下部から画像5の上部にまたがる段落を切り取る作業は、両方の画像が同じ文書内で連続したテキストの流れになっていて初めて、きれいに行えます。
バッチ処理にはもう1つ利点があり、見出し検出がセット全体で一貫したスタイルを保てます。1ページ目で認識された見出しスタイルは9ページ目でも同じように適用され、PNGごとにそれぞれ異なるDOCが作られて書式がばらばらになる、という事態を避けられます。
スクリーンショットから編集可能な文書へ
コピー&ペーストを禁止しているビューアからPNGスクリーンショットとして書き出された複数ページのレポート、1枚ずつ画像として保存された会議メモのスキャン、画面ごとにキャプチャした学習ガイド——これらはすべて、実際に文言を修正できるようにするには、1つの編集可能なファイルにまとめる必要があります。
バッチを1つのWord文書に変換すれば、次に扱う人は誤字を直したり、見出しの書式を変えたり、新しい段落を直接追加したりできます。元のテキストが画像の中に閉じ込められているせいで、大量の画像からレポートを打ち直す必要はありません。
変換後に残るもの
PNGの可逆圧縮によるピクセルは、文字認識とレイアウト解析の両方にとってクリーンな元データとなるため、見出し、箇条書き、簡単な表といった単純な構造は、たいていの場合Word形式にうまく対応づけられます。密度の高い複数段組みのレイアウトや、装飾の多いスクリーンショットは、再構築後の構造を手作業で最も手直しする必要があるケースです。
まず確認すべきは、完成した文書の中で2枚のPNGがつながる箇所です。元の画像でページ境界をまたいでいた見出しは、1つではなく2つの見出しとして再構築されてしまうことがあります。これは見つけさえすれば、手作業で最も素早く修正できる箇所です。
きれいなPNGセットを用意する
ZIPにまとめる前に、ファイル名をページ順（01、02、03…）にしておきましょう。ページはファイル名の順に並び、後から並べ替える手順はありません。
セットの中の1枚が表で残りが通常の段落である場合、そのページが最も見直しを必要とすると考えておいてください。表の構造は、スクリーンショットから編集可能なWord形式へ持ち込む際に最も難しいレイアウト要素だからです。