PDF からテキスト抽出

使い方

1. PDF をボックスにドロップするか、クリックしてファイルを選びます。
2. 範囲は「全ページ」のままにするか、「ページ範囲」に切り替えて `1-3, 5` のように入力します。
3. `--- ページ n ---` の区切りを残すか、段落をつなぎ直すかを決めます。
4. 「抽出」を押し、テキストをコピーするか .txt としてダウンロードします。

よくある質問

PDF はどこかにアップロードされますか？

いいえ。文書はブラウザのタブ内だけで開かれ、読み取られます。サーバーへ送られるものはなく、タブを閉じればコピーも残りません。

何も出てきません。文字は確かに見えているのですが。

それはほぼ確実にスキャンです。ページを撮った画像で、選択できるテキストレイヤーがありません。そこから文字を取り出すには OCR が必要ですが、このツールは OCR を行いません。ページを画像に変換して OCR ツールにかけることはできます。

「段落をつなぎ直す」は具体的に何を変えますか？

PDF は見た目の行を一つずつ別々に保存します。そのため段落は 80 文字ほどごとに切れた状態で出てきます。つなぎ直しは、文末でない位置で切れた行を結合し、ハイフンで分割された語を復元し、空行・箇条書き・番号付き項目には手を触れません。

2 段組みの文書で文章が入り混じります。

テキストは文書が保存している順序で出てきます。多段組みの多くは段ごとに保存されますが、常にそうとは限りません。1 ページずつ範囲を指定して取り出すと、何が起きたか分かりやすく、直すのも簡単です。

表・字間・太字などの体裁は残りますか？

いいえ。出力はプレーンテキストです。読み順どおりの語と、行およびページの区切りだけが残ります。表のセルはただの文字の並びになり、フォントの装飾はすべて失われます。

このテーマのガイド

• PDFで検索ができない理由 ページの文字はすべて読めるのに、検索ボックスは何も見つけず、選択しようとすると画像が選ばれる。PDFのページは描画命令の集まりであり、スキャンされたページは写真を一枚描いているだけなので、見えている文字はそもそも文字として保存されていません。

関連ツール