PDFテキスト抽出ツール

1つまたは複数のPDFから文字を取り出します。段組みは順番どおりに読み取り、行末で分かれた単語はつなぎ、段落は残します。.txtまたはMarkdownで保存でき、スキャンしたページはOCRで読み取れます。処理はすべて端末の中で行われ、ファイルがアップロードされることはありません。

PDFファイル

まだPDFがありません

PDFを選んで文字を読み取るか、サンプルを試して段組み、ハイフンで分かれた単語、表の処理を確認してください。

出力形式
プレーンな段落です。表はタブで区切られた行になります。
改行
同じ段落の行をつなぎます。読むことや文書に貼り付けることに最適です。
オプション

抽出したテキスト

ページ
—
語数
—
文字数
—
開始するにはPDFを追加してください

PDFはブラウザの中で読み込まれ、テキストは端末の中で作られます。アップロードされることはありません。

文字の順番は、各語がページのどこにあるかをもとに組み直されます。そのため、特殊なレイアウト、図の中の文字、複雑な表では、順番が狂うことがあります。スキャンしたページにはOCRが必要で、実際の文字より精度は落ちます。頼る前に結果を確認してください。

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。

  1. 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。
  2. 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。
  3. 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。
  4. 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。

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。