PDFテキスト抽出について
PDFテキスト抽出は、PDFに含まれる文字を取り出し、メールや文書、翻訳ツールにコピーしたり、プレーンな.txtファイルとして保存したりできるツールです。すべてのページ、または必要なページだけを選ぶと、ページごとにテキストが表示され、各ページの先頭には区切りが入ります。
テキストはPDFそのものから読み取ります。ページ上の文字とその位置から、行と段落を組み立て直す仕組みです。文書、Webページ、スライド、フォームから作ったPDFなら、日本語・韓国語・中国語を含むどの言語でも利用できます。
スキャンしたページは別です。文字が画像になっているだけで、その裏にテキストのデータはありません。このツールはOCRには対応していないため、抽出できるテキストがないPDFでは、その旨をお知らせします。ファイルはブラウザ内で読み取られ、アップロードされることはありません。
使い方
- PDFを選ぶか、ページにドロップします。
- 「すべてのページ」のままにするか、「ページを指定」を選んで、1-3, 7のように読み取るページを入力します。
- 「各ページの先頭に区切りを入れる」をオンにしておくと、各ページの前に「— 3ページ —」のような行が入ります。オフにすると、1つながりのテキストになります。
- 「テキストを抽出」を押します。長い文書では進行状況が表示され、途中でキャンセルすることもできます。
- ボックスからテキストをコピーするか、「.txtをダウンロード」を押して保存します。
主な機能
- 行と段落を再現: テキストの断片を、ファイル内の順序どおりに行へまとめます。単語の間には空白を、段落の間には空行を入れます。
- どの言語にも対応: 日本語・韓国語・中国語などの文字も、PDFに埋め込まれたフォントを使って読み取れます。
- ページの指定: 文書全体、または入力したページだけを、文書の順序どおりに読み取れます。
- コピーとダウンロード: 結果はワンクリックでコピーでき、PDFと同じ名前のUTF-8の.txtファイルとして保存することもできます。
- プライバシー重視: PDFはブラウザ内で読み取られ、アップロードも保存もされません。
使用例
レポートからの引用
レポートの4～6ページを読み取り、気になる段落をメモにコピーします。
文字数の確認
論文のテキストを抽出して文字数カウンターに貼り付け、長さを確認します。
マニュアルの翻訳
マニュアルのテキストを.txtで保存し、翻訳ツールに貼り付けます。
制限事項と注意点
- スキャンしたPDFやページを撮影した写真には抽出できるテキストがありません。このツールはOCRには対応していません。
- 表、複数段組のテキスト、縦書きは、ページどおりのレイアウトにはなりません。テキストはファイル内の順序で出力されます。
- PDFによっては、文字がどの文字なのかという情報を持たずに保存されていて、テキストが文字化けすることがあります。
- パスワードで保護されたPDFは開けません。
- 非常に大きなPDFは、すべてのページをブラウザで読み取るため、時間とメモリが必要です。
よくある質問
「テキストが見つかりません」と表示されるのはなぜですか？
PDFにテキストのデータがないためです。スキャンした文書やページの写真では、文字が画像になっているだけです。このようなPDFのテキストにはOCRが必要ですが、このツールは対応していません。
一部のページだけテキストを抽出できますか？
はい。「ページを指定」を選んで、1-3, 5 や、8ページから最後までを表す 8- のように入力してください。
表や段組のレイアウトは保たれますか？
いいえ。テキストはPDFに保存されている順序で1行ずつ出力されます。通常は読みやすいですが、表や段組が横に並んだ形は再現されません。
日本語や韓国語のPDFでも使えますか？
はい。PDFが文字の画像ではなくテキストのデータを持っていれば、どの文字でも読み取れます。
PDFはアップロードされますか？
いいえ。ファイルの読み取りとテキストの抽出はブラウザ内で行われ、サーバーには何も送信されません。