Filespry

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

  1. PDFを選ぶか、枠にドラッグします。
  2. 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。
  3. 「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。
  4. 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。

関連するツール

  • PDFをJPGに

    PDFのページをJPGやPNGで保存します

    新着
  • 文字数カウント

    文字数、文の数、読む時間を数えます

  • PDF編集

    PDFにテキスト・画像・図形・署名を追加します

    新着
  • PDF分割

    ページ範囲や1ページずつでPDFを分割します