科学好き者の日々

150ページ位のマニュアルをテキストファイルにしました。

もともとは印刷されたマニュアルなので、スキャナーで取り込んで、OCRのソフトでテキスト化します。

OCRソフトはあまり使っていないのですが、今回使ってみて認識率が結構よくなっているのに驚きました。

普通の文はほとんど誤りなくテキスト化します。
表もそれなりに（誤りがすぐ判る程度に）テキスト化します。

実はもとの紙はバインダーに綴じてあった紙だったので、綴じ穴も●と認識されてテキスト化されてしまいました。
これをとるのに検索と置換で検索は●置換で空白を選び実行します。

誤変換するのが　i（小文字のアイ）l（小文字のエル）I（大文字のアイ）1（数字のいち）で目でみても間違いやすいものね。

意外な誤変換で重要なのは小さな「っ」です。行つた（行った）やつた（やった）など目でみるぶんにはそれほど変わらないのですが、スクリーンリーダは　「行った」　は　「いった」と読みますが　「行つた」は「ぎょうつた」と読んでしまうので，訳が分からなくなってしまいます。

これらを検索と置換で置き換えます。
沢山あるものと、これは沢山ありそうだと思ってやってみると、2つくらいしかなかったりで、ちょっとがっかりもしてしまいます。

結局3日位かかりました。