PDFテキスト抽出
文書から作ったPDFには実際の文字が入っているので、このツールがページごとに読み取り、コピーや.txt保存ができます。スキャンしたPDFには文字の層がなくOCRが必要です。50MBまで、アップロードはされません。
使い方
- PDFをボックスにドロップするか、ボックスを押してファイルを選びます(50MBまで)。ページ数が表示されます。
- ページ欄を空にすると全ページ、1-3,5のように入力するとそのページだけを読み取ります。各ページの前に --- 3 --- のような区切りを入れたいときは、ページ見出しにチェックを入れます。
- 「テキストを抽出」を押すと下の枠に文字が表示され、その場で編集できます。コピーするか、.txtファイルで保存してください。
計算方法
文書やWebページ、表計算から作ったPDFの多くは、文字を位置情報つきの実際の文字として持っています。このツールはその文字を読み取り、同じ行にある断片を左から右へつなぎ、高さが変わったら改行します。
行間が普段より大きく空いたところは空行にして段落を分けます。段組み・表・見出しはファイルに保存された順に読まれるため、複雑なレイアウトでは少し整える必要があります。
スキャンしたPDFは文字の写真にすぎず読み取れる文字がないため、結果は空になります。その場合はページを画像にしてから画像文字抽出ツールを使ってください。文字はブラウザ内のpdf.jsで読み取り、サーバーには送られません。
よくある質問
PDFはアップロードされますか?
いいえ。ファイルはこのブラウザのタブ内で読み取ります。アップロードもアカウントも、他の場所に残るコピーもありません。
結果が空、または変な文字が出ます。
空の場合は、文字の写真であるスキャンPDFのことがほとんどです。変な文字は、文字の対応表を持たない専用フォントで保存されたPDFで出ることがあります。どちらも画像文字抽出(OCR)ツールのほうが向いています。
段組みや表の順番が入れ替わります。
PDFには読む順番ではなく、文字を置く位置だけが保存されています。ツールはファイルの順序とページ上の行に従うため、複数段や表は読む順番と違って出ることがあります。
フォントや書式は残りますか?
いいえ。書式のないテキストだけが出ます。太字、サイズ、色、画像は含まれません。
パスワードで保護されていると表示されます。
PDFが暗号化されており、パスワードなしでは開けません。PDFビューアで開いてパスワードを外したコピー(新しいPDFとして保存または印刷)を作り、そのコピーを追加してください。