PDFからテキストを抽出する
PDFの中の文字を取り出して、コピーや検索、再利用ができます。処理はブラウザ内で行われ、ファイルはアップロードされません。読み取れるのは本物のテキストだけで、OCRがないためスキャンしたPDFには対応していません。
ファイルはブラウザ内で処理され、アップロードされません。
使い方
- PDFを選ぶか、枠にドラッグします。
- 必要なオプションにチェックを入れます:繰り返しの見出しの除去、分割された単語の結合、ページ番号の表示。
- 「テキストを抽出」を押して、ページの読み取りが終わるまで待ちます。
- テキストをコピーするか、.txtでダウンロードします。先に枠内で編集もできます。
PDFからテキストを抽出するときの注意点
多くのPDFは、文字をページ上の位置情報つきの本物の文字として保存しています。抽出は、その文字を読み取り、間隔から行や段落を組み立て直します。ワープロから書き出した報告書、記事、契約書では良好に動作しますが、画像だけのスキャンでは使えません。
PDFには本当の段落構造がないため、ツールは推測します。近い行はつなぎ、大きな間隔があれば新しい段落にします。箇条書きは別々の行のまま残ります。段組みや表は苦手です。ページは全幅にわたって1行ずつ読み取られるからです。
抽出後は、不自然な改行がないか確認し、文字数・単語数も表示される枠の中で直してください。すべてのページに見出しやページ番号がある場合は、整形オプションをオンにしておくと便利です。スキャンの場合は、OCR付きのソフトを使い、文字認識したPDFをここに持ってくることもできます。
よくある質問
「テキストがない」と表示されるのはなぜですか?
そのPDFはスキャンか、撮影したページの可能性が高いです。そうしたPDFには本物の文字ではなく文字の画像が入っており、このツールにはOCR(文字認識)がないため、抽出できるものがありません。ワープロから書き出したPDFなら、通常は問題なく使えます。
文章の順番がばらばらになるのはなぜですか?
ツールは、ページ上に配置された順に文字を読み取ります。複数の段組み、表、サイドバー、テキストボックスがあると、別々の領域の行が入り混じることがあります。1段組みの短い書類がいちばんきれいに出ます。残りは編集できる枠で直せます。
整形オプションは何をしますか?
繰り返しの見出しとフッターの除去は、ページの半数以上の上端や下端に現れるタイトルやページ番号などの行を削除します。分割単語の結合は、行末のハイフンで切れた単語をつなげます。ページ表示は、各ページの前に見出しを入れます。
PDFはサーバーにアップロードされますか?
いいえ。テキストはブラウザ内で抽出され、ファイルが端末の外に出ることはありません。パスワードで保護されたPDFはここでは開けません。非常に長い書類は、端末のメモリに左右されます。