日本語
PDFから文字を抽出する方法
PDFから文字を抽出するには、上の枠にファイルをドロップします。ページが読み取られると、右側に文字が表示されます。コピーしたり、.txtかMarkdownのファイルとしてダウンロードしたりできます。すべての処理はブラウザの中で行われるため、契約書、銀行の明細、未発表の原稿がサーバーに送られることはありません。
- PDFを1つ、または複数追加します。ツールの動きを見たいだけなら、サンプルのボタンを使ってください。
- プレーンテキストかMarkdownを選び、行を段落にまとめるかどうかを決めます。
- ファイルの一部だけが必要な場合は、ページの範囲を入力します。たとえば1-3, 5, 8-のように指定します。
- 文書全体の表示またはページごとの表示で結果を確認してから、コピーするかダウンロードします。複数のファイルの場合、すべてダウンロード(.zip)で、PDFごとに1つのテキストファイルが得られます。
テキストの上に表示される語数と文字数は、選んだページについての数字です。長いレポートの分量を、ワープロを開かずに素早く数えたいときに便利です。
PDFからコピーした文字が崩れて見えるのはなぜか
PDFには段落がありません。含まれているのは、座標を持つ文字の断片で、それを作成したプログラムが選んだ順番で描かれています。PDFリーダーで選択してコピーすると、印刷された行ごとに改行が入り、ハイフンで途中から分かれた単語が現れ、2段組みの記事では左の段の1行目の後に右の段の1行目が続いてしまいます。
このツールは、その座標をもとに構造を組み直します。
| コピー時の問題 | ツールの処理 | オプション |
|---|---|---|
| 印刷された行ごとに改行が入る | 段落の行をつなぎ、段落の間の空きは残す | 改行 |
| 単語が行末で分かれる inter- national | ハイフンを取り除き、単語をつなぐ | 行末でハイフンによって分かれた単語を修正 |
| 段の文字が混ざる | 左の段を下端まで読んでから、次の段を読む | 段を上から順に読む |
| すべてのページにあるページ番号と見出し | 上下の余白で繰り返される行を取り除く | 繰り返されるヘッダーとフッターを削除 |
| 表が1つの文字の流れになってしまう | 行と列を保ち、タブ区切りまたはMarkdownの表にする | 表を検出する |
ハイフンの修正について注意が必要です。ツールは、小文字で続く部分を前の単語とつなぐため、たとえば「well-
known」のように、もともとハイフンで区切られた複合語が「wellknown」になることがあります。複合語が多い文書では、このオプションをオフにしてください。
プレーンテキストかMarkdownか
メール、メモアプリ、翻訳ツールに貼り付けるなら、プレーンテキストが最も安全です。文章をドキュメント、ウィキ、Markdownに対応したメモアプリに入れるなら、Markdownの方が適しています。見出しはフォントの大きさから推定され、最も大きい見出しは#、次は##、その次は###になります。箇条書きや番号付きリストは記号が残り、表はMarkdownの表になります。すべての文字が同じ大きさのPDFでは、探す見出しがそもそもありません。
スキャンしたPDFとOCR
スキャンは紙のページを撮影した画像なので、抽出できる文字がありません。ページに文字の層がない場合、言語を選んでページを読み取るためのOCRの欄が表示されます。OCRエンジン(Tesseract)はブラウザの中で動きます。エンジンと言語データは初めて使うときにダウンロードされ(数MB、言語によってはさらに大きくなります)、ページ自体は引き続きアップロードされません。
- 300DPIのきれいなスキャンは、良い結果が得られます。影が入った斜めからのスマートフォン写真は、結果がかなり悪くなります。
- 正しい言語を選んでください。日本語のページを英語のOCRで読むと、ほとんどの文字が正しく認識されません。
- 表や複数段のレイアウトは、実際の文字の場合と比べてOCRでは信頼性が下がります。特に数字は校正してください。
このツールでできないこと
画像、グラフ、図の一部になっている文字はPDFの文字ではないため、そのページにOCRを使わない限り飛ばされます。浮いている枠、サイドバー、画像の周りに回り込んだ文章などの複雑なレイアウトは、順番が狂うことがあります。その場合は、ページごとの表示で見つけるのが最も速い方法です。文字化けしたフォントの情報で作られたPDFは、読み取った文字が崩れることがあります。その場合は、ダウンロードする前に結果で確認できます。横向きに描かれた文字は含まれません。150MBを超えるファイルは、タブのメモリが不足しないように受け付けられません。
よくある質問
PDFからアップロードせずにテキストを抽出するには?
このページにPDFをドロップすると、少し後に右側に文字が表示されます。そのままコピーするか、.txtとしてダウンロードできます。ブラウザがファイルを直接読み込むため、文字が端末の外に出ることはありません。20ページのテキストPDFなら数秒で完了します。
PDFからコピーした文字の行がずれたり、間隔が変になったりするのはなぜですか?
PDFは段落ではなく、ページ上の位置が決められた文字の断片として各行を保存しています。このツールは断片を読み順に並べ直し、各段落の行をつなぎ、行末でハイフンによって分かれた単語を修正するため、文書に貼り付けても自然な文章になります。印刷されたとおりに行を残したい場合は、「改行」を「改行を残す」に切り替えてください。
2段組みや3段組みのPDFを正しい順番で読めますか?
ほとんどの場合は読めます。ツールは縦方向のはっきりした隙間を探し、各段を上から下へ読んでから次の段に移ります。段の上にある全幅の見出しは、先頭に残ります。ただし、写真の周りに回り込んだ文章、サイドバー、不規則な枠がある雑誌のページでは、順番が狂うことがあります。そのようなページは、ページごとの表示で確認してください。
スキャンしたPDFから文字を抽出するには?
ページに文字の層がない場合に表示されるOCRの欄を使ってください。文書の言語を選び、「OCRでページを読み取る」を押します。OCRエンジンはブラウザの中で動きます。初回だけ、言語データをダウンロードします。300DPIのきれいなスキャンはよく読み取れますが、斜めに撮ったスマートフォンの写真は精度がかなり落ちます。結果は必ず校正してください。
見出し付きのMarkdownとしてテキストを取り出せますか?
できます。「Markdown (.md)」を選ぶと、大きな文字が見出しに変わります。最も大きい文字は#、次は##、その次は###になります。箇条書きや番号付きリストは記号が残り、表はMarkdownの表になります。見出しはフォントの大きさから推定されるため、すべての文字が同じ大きさのPDFには見出しはありません。
抽出した文字からヘッダー、フッター、ページ番号を取り除くには?
「繰り返されるヘッダー、フッター、ページ番号を削除」のチェックを入れたままにしてください。上下の余白にある行で、ほぼ半数以上のページに繰り返し現れるもの、およびページ番号だけの行は削除されます。1ページだけに出てくるタイトルは残ります。必要なフッターまで削除される場合は、このオプションのチェックを外してください。
一部のページだけ、または複数のPDFから一度に抽出できますか?
「ページ」の欄に1-3, 5, 8-のように入力すると、そのページだけが読み取られます。複数のPDFを追加して、ファイルごとのテキストファイルを1つの.zipにまとめてダウンロードすることもできます。同じオプションとページの範囲が、すべてのファイルに適用されます。
PDFのサイズに上限はありますか?
150MBまでのPDFを開け、一度に3000ページまで読み取れます。ページは1つずつ処理され、進行バーとキャンセルボタンが表示されるため、200ページのファイルでもタブが固まりません。パスワードで保護されたPDFはパスワードを求め、そのパスワードは端末の中でファイルを開くためだけに使われます。