PDFテキスト抽出
PDF内の文字をページごとに取り出してコピー・保存します。アップロード不要、ブラウザ内で処理します。
ツールを準備しています。
ユーザーの評価
まだレビューはありません。このツールを使ったことがあれば、最初のレビューを書いてください。
PDFテキスト抽出の詳しい使い方ガイド
使い方と例を確認し、知りたいことはトピックから探せます。
はじめに確認すること
- 対応ファイル
- PDF 1個を、60MB・1,000ページまで読み取ります。
- ページ範囲
- 1-3, 7のように書きます。空にすると、全体が対象です。
- 空ページの表示
- 文字が見つからなかったページを、一覧と案内でお知らせします。
- 元の文書との照合
- 選んだページを描いて、抽出したテキストと並べて表示します。
- 改行
- そのままにするか、段落につなげられます。
- 読む順番
- 文字の位置から推測します。2段組み・表ではずれることがあります。
- スキャン文書
- 文字が画像のため取り出せず、画像からの文字抽出をご案内します。
- 処理する場所
- ファイルをサーバーに送らず、このブラウザ上だけで読み取ります。
PDFテキスト抽出の使い方
PDFを入れて、取り出すページを決めてください
全体が必要なら空のままにし、一部だけが必要なら1-3, 7のように書きます。範囲を間違えて書くと、何ページまであるかと一緒に理由をお知らせします。長い文書は進行状況が表示され、途中でキャンセルできます。
改行の方式を選んでください
「改行を保持」は、文書に見える行をそのまま残します。表や一覧を移すときに向いています。「段落につなぐ」は、行をつなげて、空行だけを段落の区切りにします。文章を編集し直すときに便利です。
ページをめくりながら、元の文書と見比べてください
ページのボタンを押すと、左側に実際のページが描かれ、右側にそのページから取り出した文字が表示されます。文字が見つからなかったページは、ボタンが点線で表示され、そのページを選ぶと理由も一緒にご案内します。
ページごと、または全体を持ち帰ってください
1ページだけをコピーしたり、全体をコピー・保存したりできます。ページ番号の見出しを入れると、どこから来た文章かが残るので、あとで探しやすくなります。
こんな作業に使えます
空のページを完了として扱いません
写真としてスキャンした文書は、文字が画像として入っているため、何度押してもテキストが出てきません。このツールは、ページごとに結果を別々に残し、文字が見つからなかったページを一覧に表示します。選んだページがすべて空の場合は、スキャン文書の可能性をお知らせし、画像からの文字抽出につながる道筋をご案内します。
元の文書を横に置いて確認します
PDFは文字の位置だけを保存し、読む順番は保存しません。そのため、2段組みの文書や表は、左右が1行にまとまってしまうことがあります。左側に実際のページを描くので、結果がおかしいときは、すぐに元の文書と見比べられます。改行をそのまま残すか、段落につなげるかも選べます。
例で結果を確かめる
日本語と英語が混ざった文書
2ページのPDF · 全体 · 改行を保持契約条件のご案内
最初の項目は配送期間です。
Second item is the refund policy.2段組みの文書
左と右に文章が分かれたページ左1行目 右1行目
左2行目 右2行目改行方式の選び方
表を左右にスクロールすると続きが見られます。
| 方式 | 結果 | こんなときに |
|---|---|---|
| 改行を保持 | 文書に見える行をそのまま残します。 | 表・一覧・住所のように、行が意味を持つ文章 |
| 段落につなぐ | 行をつなげて、空行だけで段落に分けます。 | 本文を編集し直したり、書き写したりするとき |
結果が思ったとおりにならないとき
文字がまったく出てきません
写真としてスキャンした文書である可能性が高いです。文字が画像として入っているため、この方法では取り出せません。案内にある画像からの文字抽出に移って、認識してみてください。
一部のページだけが空です
文書の中に、スキャンしたページが混ざっている場合です。どのページが空かを一覧でお知らせするので、そのページだけを別に認識してください。
文章が入り混じって出てきます
2段組みや表のような複雑なレイアウトでは、同じ高さの文章が1行にまとまります。左側の元の文書と見比べて確認し、必要ならページを分けて取り出してみてください。
パスワードがかかったPDFを開けません
パスワードがかかった文書は開けません。元のソフトでパスワードを解除したコピーを保存してから、入れてください。
知っておきたい用語
- テキストレイヤー
- PDFの中に文字として保存されている部分です。これがあって初めて、文字を取り出せます。
- スキャン文書
- 紙を撮影またはスキャンして、画像にした文書です。文字としては保存されていません。
- 読む順番
- 人が読む順序です。PDFは、この順序を別に保存しないことが多くあります。
PDFテキスト抽出のよくある質問
スキャンした文書でも使えますか?
使えません。文字が画像として入っているためです。その場合は、文字が見つからなかったとお知らせするので、画像からの文字抽出に移って認識してください。
読む順番は元の文書と同じですか?
保証しません。文字の位置を見て、順番を推測します。2段組みや表のような複雑なレイアウトでは、順番がずれることがあるため、元の文書を並べて表示します。
ファイルはサーバーにアップロードされますか?
アップロードされません。PDFを読み取って文字を取り出す過程は、すべてこのブラウザの中で行われます。パスワードがかかったPDFは、先にパスワードを解除してください。
表を表の形のまま取り込めますか?
取り込めません。文字だけを取り出し、セルの構造は残りません。「改行を保持」で取り出してから、ご自身で整えてください。
長い文書を入れると、画面が止まりますか?
1ページずつ処理して進行状況を表示し、途中でキャンセルできます。処理中も画面は反応します。
フォントがなくても文字は出ますか?
ほとんどの場合は出ます。ただし、フォントを特殊な方法で埋め込んだ文書は、文字化けして出ることがあるため、元の文書と見比べて確認してください。