検索可能なPDFとは？

検索可能PDF vs スキャンPDF vs ネイティブPDF：重要な違い

検索可能PDFはネイティブPDFではなく、単なるスキャン画像でもありません。スキャン画像の下に隠れたテキスト層を持つものです。この機械的な違いの一つが、ファイルでできることのすべてを左右します：Ctrl+Fで何か見つかるか、文章をコピーしてメールに貼れるか、アーカイブシステムが記録を索引付けできるかどうか。3種類のPDFはスペクトラム上に位置します：

分類はABBYYのPDFタイプ（画像のみ／検索可能／デジタル作成）およびPowerPDF（Kofax系）用語集に基づく。同用語集は検索可能PDFを「文書のビットマップ画像と、隠しテキストとして保存されたテキストコンテンツを含むPDFの一種」と定義している。編集可否の列は、evermap Acrobatチュートリアルに記載されたAdobe AcrobatのOCR出力モードを要約したもの。

検索可能PDFとは、スキャンまたは撮影されたページの画像の下に、OCRで生成された不可視のテキストが保存されているPDFのことです — 表示されているページがスキャン画像であっても、ユーザーは文字を選択・コピー・検索できます。

検索可能なPDFの仕組み

検索可能なPDFは、OCR（光学文字認識）によって生成されます。OCRは、画像から文字を読み取り、機械可読なテキストに変換する技術です。OCRエンジンはスキャンされたページを解析し、文字の形状を識別して、次の3つを生成します。認識されたテキスト、ページ上の各単語の位置、そしてそれらを組み合わせたPDFです。Adobe Acrobatの「テキスト認識」操作は、その結果を正確に説明しています。つまり、「検索やコピーができる不可視のテキストレイヤーを作成」し、「ページ画像の背後に追加されるため、ページの視覚的な外観は変わらない」のです（evermap、Adobe Acrobatチュートリアル）。

この不可視レイヤーは、PDF自体の標準的な仕組みで実装されています。テキストはPDFの「テキストレンダリングモード3」を使用してページ上に描画されます。このモードでは、ビューアが文字を配置するものの、何も表示しないように指示されます。PDFlibテクニカルクックブックは、まさにこの方法を示しています。OCR結果を明示的なx/y座標で「画像の上に」不可視に配置し、検索テキストが下のスキャンと一致するようにするのです（PDFlib Cookbook）。オープンソースのツールも同じ手法を使用しています。OCRmyPDFは「テキストのみのレイヤーをレンダリングし、元のページに挟み込み」、スキャンをそのまま維持しながら、不可視のテキストが検索可能なコンテンツを担います（OCRmyPDFドキュメント）。テキストが一致する文字座標に配置されているため、PDFビューアは、スキャン内で単語が表示されている正確な位置で、隠されたテキストにまたがる単語をハイライトできます。

その結果、2つのレイヤーを持つドキュメントが生まれます。目で見えるもの（スキャン）と、キーボードでアクセスできるもの（不可視の機械テキスト）です。単語を選択すると、隠れたレイヤーの文字が選択されます。コピーすると、ページのピクセルではなく、OCRエンジンによるページの読み取り結果が得られます。そして、この違いこそが精度の問題の始まりなのです。

検索可能なPDFと検索不可能なPDFが衝突するとき

スキャンされたアーカイブ、法的な提出物、書籍のデジタル化プロジェクトが検索可能かどうかで評価される瞬間、その対比はもはや学術的なものではなくなります。米国国立公文書館（NARA）は、その移管要件の中でこの衝突を明確に示しています。NARAは、OCR処理された検索可能テキストが「記録へのアクセスを向上させる」PDF記録を受け入れますが、それはOCRプロセスが表示コンテンツを変更したり、元のビットマップ画像を劣化させたりしなかった場合に限ります。スキャン画像の代わりに生成されたテキストを置き換えるOCR出力（「Searchable Image – Compact」「Formatted Text & Graphics」「PDF Normal」などの用語は禁止。「Searchable Image – Exact」は許容される出力の例として説明されています）は拒否されます（NARA、PDF記録の移管手順；NARA、移管ガイダンス表）。言い換えれば、保存対象のスキャンを損なう検索可能なPDFは、画像のみのPDFよりもアーカイブにとって悪いということです。

訴訟においても、同じ衝突が提出形式をめぐる争いとして表面化します。e-discoveryの実務ガイドは、当事者が「適切な場合、相手方が提出するESIは、全文または日付、作成者、受信者などの特定のカテゴリに関して検索可能であることを要求できる」と指摘し、失敗の様相を明確に示しています。「100万ページの文書の電子版を受け取ったのに、それが電子的に検索できないことを想像してみてください」（ニューヨーク州弁護士会、E-Discoveryのベストプラクティス（2013年））。ここでは、不可視のテキストレイヤーは単なる拡張機能ではなく、レビュー可能な提出物と、使用できない画像の山との違いを生むものです。

検索可能なPDFが重要な理由

その重要性は、所蔵資料を検索しなければならない機関で最も明確にわかる。米国国立公文書館（NARA）のカタログは、デジタル化された記録に対してOCRを実行している — 9,200万ページ以上に達し、2019年6月以降に追加されたPDFおよび画像記録にはOCR検索が適用されている — その理由は、テキストが機械可読になって初めて記録が発見可能になるからだ（NARA、新検索機能：OCR（2019））。書籍のデジタル化も同じ前提に基づく：Internet ArchiveはTesseract OCRで書籍を処理し、「各ページのテキストを検索可能」にするとともに、そのOCRデータには検索可能なPDFを構築するために使われる単語座標が含まれている（Internet Archiveデジタル化サービス；Open Library OCRブログ）。Google BooksもOCR変換された全文に基づいており、最大規模での同じ発想である（Wikipedia、Google Books）。

しかし、検索可能なPDFはスキャン記録の初期状態ではない — 生成された状態である。AIIMの2015年業界調査によると、何らかの形でOCRを利用している組織はわずか41%で、34%はフラットな画像のみをスキャンし、18%はアーカイブ用にスキャンしている（AIIM、ペーパーレス化の進捗（2015））。その乖離 — NARAやInternet Archiveのような大規模な検索可能リポジトリと、依然として検索不能な画像のままの大半のスキャン記録との差 — こそが「検索可能なPDF」という用語が指し示すギャップである。スクリーンリーダーはスキャンを読めず、検索エンジンはスキャンをインデックスできず、アーカイブはスキャンから発見リクエストに応えられない。不可視のテキストレイヤーこそ、これら3つすべてを解決する仕組みである（テキストレイヤーのアクセシビリティ対応はテキストレイヤーの用語集に記載されている）。

検索可能なPDFの種類とバリエーション

「検索可能なPDF」というラベルには、2つの独立した変動軸があります。OCR出力がどのように生成されたか、そしてファイルが（該当する場合）どのアーカイブ標準に準拠しているかです。

出力モードとそのトレードオフはevermapのAdobe Acrobat OCRチュートリアル、アーカイブ受入の関連性はNARAのPDF転送手順に基づく。

アーカイブ軸はPDF/A — 長期的な保存用に設計されたPDFのISO標準（ISO 19005）版で、フォントのリンク、暗号化、外部依存関係などの機能を制限し、数十年後でも文書を同一にレンダリングできるようにします（Wikipedia、PDF/A）。アーカイブ機関や政府機関は通常、この2つの概念を組み合わせます。元のスキャンを保持し、OCRを適用して不可視テキストレイヤーを追加し、結果をPDF/Aとして保存することで、ファイルは検索可能かつアーカイブ可能になります。検索可能レイヤーとPDF/A準拠は相加的です — PDF/A単独ではスキャンを検索可能にせず、検索可能なPDF単独では必ずしもPDF/A準拠ではありません。

検索可能なPDFが使われる分野

スキャンは何十年も前から行われてきました。検索可能なレイヤーこそが、スキャンされたアーカイブを使い物に変えるのです。最も重要な応用分野は次のとおりです。

• 政府アーカイブとレコード管理：NARAに移管される連邦政府の記録は、上記の忠実性ルールに従い、埋め込まれた検索可能なOCRテキスト付きで受け入れられます。また、NARA自体もカタログ記録にOCRを適用し、9200万ページ以上を検索可能にしています（NARA；NARAカタログOCR）。
• 法的証拠開示と規制当局への提出：訴訟当事者や政府機関は、スキャンされた記録を検索可能なPDF（または付随テキスト付きのTIFF画像セット）として提出し、レビュープラットフォームが全提出物をインデックス化してキーワード検索できるようにします（NYSBA e-Discoveryガイド）。
• 図書館・書籍のデジタル化：Internet Archive（Tesseract駆動、毎日数千冊）とGoogle Booksは、OCRテキストを利用してスキャン書籍を全文検索可能にしています（Internet Archive；Wikipedia）。
• エンタープライズコンテンツと記録保存：スキャンされた請求書、契約書、フォームにはOCRテキストレイヤーが付与され、レコードマネージャー、監査人、下流の自動化プロセスがそれらを発見・処理できるようにします。このレイヤーこそが「デジタルメールルーム」や文書管理検索がインデックス化する対象です（AIIMの業界調査では、スキャンだけではなくOCRの使用が、実用的なデジタル化の指標と見なされています）（AIIM 2015）。
• アクセシビリティ：スクリーンリーダーやテキスト読み上げツールは、OCRテキストレイヤーが単語を提供して初めてスキャンPDFを読み取れます。これは、すべての検索可能なPDFが持つ、同じ目に見えないレイヤーです（docsie、テキストレイヤー）。

よくある誤解

• 誤解：「スキャンしたPDFは自動的に検索可能になる」
• 現実：スキャンはピクセルであり、OCRがない場合、Ctrl+Fでは何も見つからず、単語を選択することもできません。検索可能性はOCRテキストレイヤーによってのみ実現されます。つまり、「検索可能」はスキャンの生成された特性であり、本質的な特性ではありません（ABBYYの3タイプ分類、ABBYY）。
• 誤解：「テキストを選択できれば、そのPDFは編集可能／実際のテキストがある」
• 現実：検索可能なPDFでテキストを選択すると、不可視のOCRレイヤーが選択されます。表示されるページは依然としてスキャンです。検索やコピーはできますが、ネイティブPDFのように単語をその場で編集することはできません。Acrobatの「Editable Text & Images」出力は、元の画像を犠牲にしてスキャンを合成テキストに置き換える別のモードです（evermap）。コピーされる内容もOCRエンジンの推測であり、印刷された文字そのものではありません。両者は異なる場合があります。
• 誤解：「テキストレイヤーはページ上の内容の完全なコピーである」
• 現実：レイヤーにはOCRエンジンが認識した内容が含まれ、劣化したスキャン、特殊なフォント、手書き文字、複雑なレイアウトでは認識エラーが発生します。テキストレイヤーの品質はページごとに異なります（Hypothesis、How to OCR PDFs）。複数列ページは文書化された失敗モードです。ページを左から右にフラット化する抽出ツールは隣接する列を混在させ、レイヤー内に一貫性のないテキストを生成します（LlamaIndex、Reading Order Detection）。「検索可能」は正確性については何も保証しません。
• 誤解：「検索可能なPDFとネイティブPDFは同じものである」
• 現実：構造的には異なる成果物です。検索可能なPDFは隠しテキストを持つ画像であり、ネイティブ（born-digital）PDFは実際の文字でレンダリングされます。編集、抽出の忠実性、アクセシビリティ、アーカイブ受入に影響が異なり、その場で編集できるのはネイティブPDFのみです（3タイプ分類、ABBYY）。
• 誤解：「OCR処理されたPDFはすべてアーカイブ品質／PDF/A準拠である」
• 現実：NARAは元の画像を変更または劣化させないOCRのみを受け入れます。非可逆の「Searchable Image – Compact」やテキスト置換出力は拒否されます。PDF/A（ISO 19005）は保存のための別の適合規格であり、スキャンはOCR処理および適合の両方が行われて初めて、検索可能かつアーカイブ可能になります（NARA；Wikipedia、PDF/A）。

よくある質問

検索可能なPDFとは何ですか？

検索可能なPDFとは、スキャンまたは撮影されたページの下に、OCRで生成された不可視のテキストが保存されているPDFのことです。これにより、表示されているページがスキャン画像であっても、ユーザーは単語を選択、コピー、検索できます。これは、画像のみ（検索不可）のスキャンとネイティブ（原本デジタル）PDFの中間のタイプで、画像のみのPDFにOCRを適用することで作成されます（ABBYY）。

PDFが検索可能かどうかはどうすればわかりますか？

Ctrl+F（MacではCmd+F）を押して、ページに表示されている単語を入力します。単語がハイライトされれば検索可能なPDF、何も起こらなければOCRが必要な可能性が高いです。より速い視覚的な確認方法：テキストの行を選択してみてください。カーソルがページ全体を1つのブロックとして選択する場合、まだテキストレイヤーはありません。検索を可能にするのと同じレイヤーが単語単位の選択も可能にするため、2つのテストは同じように動作します（Hypothesis、PDFのOCR最適化方法）。

スキャンしたPDFを検索可能にするにはどうすればよいですか？

元の画像を保持しながらテキストレイヤーを追加するツールで、画像のみのPDFにOCRを実行します。Adobe Acrobatでは、出力スタイル「Searchable Image」の「テキスト認識」がこれに該当します。Tesseract/OCRmyPDFなどのオープンソースのオプションも、元のページに不可視のテキストを重ねることで同じことを行います（evermap；OCRmyPDF）。アーカイブに保存する予定の文書については、スキャンが劣化しないように、忠実度を維持する出力（「Searchable Image – Exact」）を選択してください。

検索可能なPDFは編集できますか？

いいえ — 検索可能・選択可能と編集可能は同じではありません。検索可能なPDFでは、隠れたレイヤーからテキストを選択・コピーできますが、表示されるコンテンツは依然として画像であるため、その場で文字を編集することはできません。自由に編集するには、Acrobatの「Editable Text & Images」出力（画像を合成テキストに置き換える）またはネイティブPDFが必要です — 元のスキャンの忠実性を犠牲にします（evermap）。

検索可能なPDFとネイティブPDFの違いは何ですか？

検索可能なPDFは、不可視のテキストレイヤーを持つ画像です。ネイティブ（born-digital）PDFは、最初からデジタルで作成されたレンダリングテキストです。どちらも検索可能ですが、その場での編集と直接のテキスト抽出をサポートするのはネイティブPDFのみです。検索可能なPDFの表示ページは決して編集できず、その不可視レイヤーにはOCRエラーが含まれる可能性があります（ABBYY）。

検索可能なPDFはアーカイブ記録に適した形式ですか？

はい、正しく行われた場合です — アーカイブでは、元の画像を変更せずにテキストレイヤーを追加する必要があります。NARAは、OCRプロセスがビットマップ画像を変更または劣化させない場合にのみ、検索可能なOCR処理済みPDFを受け入れ、そのような記録をPDF/A（ISO 19005）として保存し、長期的にレンダリング可能かつ検索可能な状態を維持します（NARA; Wikipedia, PDF/A）。

出典

1. 国立公文書館 — 「PDF形式の恒久電子記録の移管手順」。PDF記録の移管に関するNARAの公式要件。検索可能テキストが元のビットマップ画像を変更・劣化させない場合にのみ受け入れられるOCRセクションを含み、許容される出力（「Searchable Image – Exact」）と禁止される出力（「Searchable Image – Compact」「Formatted Text and Graphics」「PDF Normal」）を明記。公文書館の受け入れ規則に関する一次資料。
2. 国立公文書館 — 「付録A：ファイル形式一覧表」。NARAの形式一覧表。光学文字認識セクションには、許容されるOCR出力用語と禁止されるOCR出力用語（「Searchable Image – Exact」「Editable text」「TruePage」、JBIG2など）が記載されている。OCR受け入れ用語を裏付ける資料。
3. NARA（NARAtions） — 「新検索機能：光学文字認識（OCR）」（2019年）。国立公文書館カタログでのOCR検索の発表：2019年6月以降に追加されたPDF/画像記録にOCRを適用し、9,200万ページ以上をデジタル化。また、OCRは「完璧ではない」というNARA自身の注意書きも含む。アーカイブ規模の主張に関する一次資料。
4. ニューヨーク州弁護士会 — 「ニューヨーク州および連邦裁判所におけるEディスカバリーのベストプラクティス」（2013年）。提出されたESIが検索可能であることを要求し、「検索不可能な100万ページ」という失敗シナリオを説明する州弁護士会のe-discovery実務ガイダンス。法務調査のユースケースに関する一次資料。
5. Wikipedia — 「PDF/A」。アーカイブと長期保存のためのPDF変種としてのPDF/A（ISO 19005）の概要と、その機能制限。PDF/A定義に関する主要な三次資料。
6. Wikipedia — 「Googleブックス」。Googleブックスが書籍をスキャンし、全文検索のためにOCRでテキストに変換することを記載。書籍デジタル化規模の文脈の出典。
7. Internet Archive — デジタル化サービス。IA自身によるデジタル化パイプラインの説明：画像はTesseract OCRで処理され、各ページがテキスト検索可能になり、アイテムごとに複数の形式が生成される。Internet ArchiveのOCR主張に関する一次資料。
8. Open Library（Internet Archive） — OCR投稿。アーカイブのOCRドキュメントには、毎日1,000冊以上の書籍がデジタル化され、検索可能なPDFの構築に特に使用される単語座標OCRデータが記載されている。アーカイブの検索可能PDFワークフローを裏付ける。
9. AIIM — 「ペーパーレス進捗：測定」（2015年インダストリーウォッチ）。情報専門家を対象とした独立系業界調査：41%が何らかの形でOCRを使用、34%がフラット画像のみをスキャン、18%がアーカイブ用にスキャン。OCR導入データに関する一次資料。
10. ABBYY — 「Types of PDFs: Searchable PDF, Image-Only, True PDF」。検索可能なPDFは、OCRが画像レイヤーにテキストレイヤーを追加することで作成されると説明し、画像のみ／検索可能／デジタル作成の分類を示しています。3タイプ分類の枠組みの出典（仕組みのみで、ベンダーデータは含まない）。
11. PDFlib — Cookbook: 「Invisible text」。ベンダーの技術文書（PDFlib）で、テキストレンダリングモード3を使用して、スキャン画像の上に明示的な座標で不可視のOCRテキストを配置する方法を示しています。不可視レイヤー機構の主要な技術的出典。
12. OCRmyPDF — 「Advanced features」（ドキュメント）。オープンソースのOCRツールのドキュメントで、不可視テキストレイヤーがどのようにレンダリングされ、元のPDFページに挟み込まれるかを説明しています。不可視レイヤー機構を裏付ける。
13. Hypothesis — 「How to OCR PDFs」（ヘルプドキュメント）。検索可能（不可視テキスト）と編集可能（可視テキスト）と画像形式を区別し、実際の例を用いてテキストレイヤーの認識エラーを文書化しています。検索可能／編集可能の区別とOCRエラーの注意点の出典。
14. evermap — 「Recognize Text in Scanned PDF Documents」（Adobe Acrobatチュートリアル）。Acrobatの3つのOCR出力モード（Searchable Image、Searchable Image (Exact)、Editable Text & Images）と、ページ画像の背後に非表示テキストが追加される仕組みを説明しています。出力モード分類と編集可能性の対比の出典。
15. Tungsten Automation（Kofax系）— PowerPDF用語集: 「Searchable PDF」。用語集の定義：「文書のビットマップ画像と、非表示テキストとして保存されたテキストコンテンツを含むPDFの一種」独立したベンダー用語集の定義。
16. LlamaIndex — 「What is Reading Order Detection?」。技術用語集で、フラットな左から右へのテキスト抽出が、複数カラム文書の隣接カラムをインターリーブすると説明しています。複数カラムの読み順失敗モードの出典。
17. docsie — 「Text Layer」用語集。PDFにおける不可視の選択的テキストオーバーレイと、スクリーンリーダー向けのアクセシビリティサポートを説明する用語集。アクセシビリティのユースケースを裏付ける。

関連用語

• OCR（光学文字認識）とは？: スキャンから文字を読み取り、検索可能なテキストレイヤーを生成する技術 — OCRはすべての検索可能なPDFの背後にある仕組みです。
• データキャプチャ: 検索可能なテキストレイヤーがインデックス作成、検索、および下流の抽出に供給されるパイプライン — 検索可能なPDFが単なるアーカイブから再利用可能なデータへと変わる場所です。
• インテリジェント文字認識（ICR）とは？: OCRの手書き文字認識版 — 手書きスキャンにOCRを適用してテキストレイヤーを構築する際に使用されるエンジンクラスです。
• ドキュメントタイプ別のOCR精度: 異なるスキャン品質やレイアウトにおける検索可能なPDFのテキストレイヤーの信頼性を示すベンチマークデータです。

関連資料: スキャンしたPDFがOCR処理されるまで編集や検索ができない理由 · スキャンしたPDFをExcelにOCR変換する手順 · AIはスキャンしたPDFからデータを抽出できますか？ · 初心者向けAIドキュメント抽出