契約書や成績証明書を、無料PDFサイトに送る前に考えるようになった

PDFが必要になるのは、たいてい急いでいるときだ。学校に成績証明書を出す、見積書をひとつにまとめる、添付ファイルを10MB以下にする。そのあとで、スキャンをWordでも欲しいと言われる。

見慣れたサイトを開き、ファイルを選んで待つ。ダウンロードしてから、あの押印済みの契約書はどこへ送られたのか、サーバーにコピーが残るのかと気になる。どのサービスも危ないと言いたいわけではない。ただ、ブラウザで済む小さな作業のために、文書を丸ごと渡さずに済むならそうしたい。

必要な作業から選ぶ

普段必要なのは圧縮、結合、ページ削除、並べ替えくらいだ。DocCrunchにはPDF圧縮やPDF結合などの個別ページがあり、アカウントを作らずに使える。

圧縮は1回に最大10ファイル、各500MB未満で、品質は3段階。ただし、これは選択できる上限であり、普通のノートパソコンで巨大なファイルを10個まとめて快適に処理できるという意味ではない。まず1個から試したい。

小さくなっても、使い勝手が変わることがある

文字中心のPDFは、もともと軽くてあまり縮まらないことがある。スキャンには余地があっても、必ずメールの上限以下になるとは限らない。

ツールは構造を最適化した版と、各ページを画像にして再構築した版を比べ、小さいほうを選ぶ。どちらも元より大きければ元ファイルを残す。画像版が選ばれた場合、もともと選択・検索できた文字ができなくなる可能性がある。 リンクやフォームも保持されるとは限らない。

圧縮後は小さな文字や印影を確認し、文字選択や必要なリンクも試す。強い設定でぼけたら一段戻す。原本は保管し、印刷用やデジタル署名付きの正式なファイルを、処理後のコピーでそのまま置き換えない。

必要なページを、必要な順番に

PDF結合はファイル一覧の順に結合する。上下のボタンで順番を整えられる。PDF分割は1ページずつPDFにしてZIPにまとめる。数ページだけ除くならPDFページ削除のほうが早いこともある。横向きのスキャンはPDF回転、表紙の位置はページ並べ替えで直す。

ページを丸ごと削除することと、ページ内の口座番号を墨消しすることは別だ。見える範囲を切ったり四角形で覆ったりしても、元の情報が消えた証拠にはならない。

Wordになったら完成、ではない

PDFからWordとPDFからExcelは、PDF内にすでにある文字を取り出し、ページや位置をもとに整理する。版面を丸ごと再現する機能ではないので、段組みや複雑な表は手直しが必要になる。

このPDF変換は、文字層のないスキャンに直接OCRを行うものではない。 必要なページをPDFから画像で出力し、画像からWordや画像からExcelで認識させる。OCR文字層がすでにあるスキャンなら、直接抽出を試せる。

反射、傾き、文字に重なる印影は誤認識の原因になる。金額、口座番号、氏名、日付は原本と照合したい。PDFからPPTは各ページの画像を1枚ずつスライドに置く方式で、見出しやグラフが別々の編集可能な部品になるわけではない。

ローカルにも限界はある

これらの処理で原本や結果を処理用サーバーへ送る必要はない。一方、ページ、スクリプト、OCR用リソースのダウンロードは発生し得る。大きなファイルはメモリを使い、暗号化されたPDFは開けないこともある。署名、入力フォーム、印刷の色を確実に扱うなら、それらを検証できる専用ツールが必要だ。共有パソコンやブラウザ拡張も別の問題として残る。

私は原本を残し、必要な文字は圧縮前に取り出す。レシートの写真は画像からPDFでまとめてから明細書と結合できる。写真の軽量化は前回の記事に書いたが、小さな数字は読める状態を保ちたい。

添付容量だけが問題なら、PDFを1つ圧縮してみる。ダウンロードしたコピーを開き、確認してから送ればいい。