PDFの文字をコピーすると崩れるのはなぜか。見た目は同じ「別の文字」が34個混ざっていた

2026-11-03

PDFの文章をコピーして貼り付けたら、行の終わりごとに改行が入っていた。検索しても見つからない。ひどいときは、意味のない記号の並びになった。画面ではきれいに読める文書なのに、なぜ中身の文字は崩れるのか。仕様書を読み、5つのPDFから実際に文字を取り出して確かめた。

PDFが記録しているのは、「字形をどこに置くか」

PDFの仕様書(Adobe が公開している PDF 32000-1:2008。確認日:2026年11月3日)の 9.10.1 は、次のように分けて説明している。

  • PDFは、字形(グリフ)を描いて、ページに文字を表示する。
  • 検索や書き出しなどでは、見た目ではなく、文字の意味(どの文字か)が要る。その対応は、別の仕組みで与える。

Unicode の文字は「文字」を指し、字形は「見た目」を指す、とも書かれている。表示するだけなら、字形の番号と位置があれば足りる。文字としての意味を持たなくても、見た目は完成する。崩れる原因は、ほぼここにある。

字形から文字への対応表(ToUnicode)

仕様書の 9.10.2 は、字形の番号を Unicode の文字に直す方法を、優先順に並べている。

1. フォントの辞書に ToUnicode(字形の番号から Unicode への対応表)があれば、それを使う。2. 標準の名前つきエンコーディングなら、字形の名前から Adobe Glyph List で引く。3. Adobe-Japan1 などの標準の文字集合を使うフォントなら、その対応表(UCS2 の CMap)で引く。

そして、どれでも文字が決まらないときは、その字形番号が何の文字を表すかを知る方法はない、と書いている。9.10.3 の例でも、字形の番号をそのまま使うフォント(Identity-H)で ToUnicode が無ければ、字形が何を意味するかの情報は得られない、としている。

これを確かめるために、Chromium(Edge)が作ったPDFの ToUnicode だけを無効にしたPDFを作り、文字を取り出した。

元の文字ToUnicode を無効にしたPDFから取り出した結果
The quick brown fox7KHTXLFNEURZQIR[(空白が無くなり、文字がずれた並び)
日本語の段落ܘ༁ॽ͹ಣΊ๏Ϊ΢χ͞(ギリシャ文字・チベット文字などが入り乱れる)

英語は、確かめた文字がすべて、ASCII で29小さい文字になった(T は 7、h は K)。字形の番号を、そのまま文字として読んだ結果と考えられる。画面で見ると、元のPDFと同じ文書が出る。画面で正しく読めることと、正しい文字が入っていることは別だ。このツールの判定(後述)は、3ページすべてを「化けている疑い」とした(範囲外の文字が40%・98%・100%)。

見た目は同じなのに、別の文字が混ざる

ToUnicode が「ある」PDFでも、安心はできない。見出し「契約書の読み方ガイド」を含む文書を、2つの方法でPDFにした(本文の量は違う)。

PDFの作り方文字数(空白を除く)見た目は漢字だが別の文字(康熙部首)
Microsoft Print to PDF(Yu Gothic)820
Edge の「PDFに印刷」(Skia/PDF、Yu Gothic)63134

後者では、読み方 が 読み⽅、文章 が ⽂章、改行 が 改⾏ のように取り出された。⽅(U+2F45)や⽂(U+2F42)は、漢字の部品を表す「康熙部首」の文字で、見た目は漢字の「方」「文」と同じだが、別の文字だ。631文字のうち34文字がこれだった。「文章」で検索しても、「⽂章」にはヒットしない。貼り付け先でも、突き合わせでも、外れる。同じフォントで、同じ文章なのに、結果は作った側で変わった。

画像だけのPDFには、文字が無い

紙をスキャンしたPDFは、中身がページ全体の画像のことがある。この場合、文字は1文字も入っていない。

画像だけを貼ったPDFから文字を取り出すと、0文字だった。ページの描画命令を見て、画像の描画があり、文字が無い、と判定できた。この場合は、画像から文字を読み取る OCR が要る。コピーの設定の問題ではない。

改行・段組み・縦書き・合字

文字が正しく入っているPDFでも、取り出した結果は、見た目の順番とは限らない。仕様書の 9.4.3 は、文字を取り出す結果が、文字列のまとまり方で変わりうると書いている(NOTE 7)。また、タグつきPDFの 14.8.2.3.1 は、ページの中の並びは、コンテンツストリームの中の順番で決まり、その順番を適切にするのは書き出す側の責任、と書いている。

場合取り出した結果
折り返した日本語の段落(3行)3行のまま、行末で改行される
英語の段落(3行)3行のまま
2段組み左の段を最後まで、次に右の段。ただし段の幅が狭く、文の途中(「文書で/は、」)で改行される
表(品名・数量・単価)1行ずつ。列は空白でつながる
縦書き1文字ごとに改行。句読点の「。」は縦書き用の字形 ︒(U+FE12)になった
合字(ffi・fi など)ToUnicode が合字の字形を ffi(U+FB03)などにしている。このツール(pdf.js)は、ffi の3文字に直して取り出す(正規化を切ると ffi が返った)

縦書きでは、縦・書・き… が1行に1文字、並んだ。段組みは、このPDFでは順番どおりだったが、PDFによって異なる。合字は、ソフトによって、ffi になるものと ffi のままのものがありうる。後者だと、「office」で検索しても見つからない。どのソフトがどちらかは、試していない。

取り出せるかを確かめる

文字を取り出したいときは、まずそのPDFが、文字を持っているか、持っているなら正しいかを確かめる。このサイトのツールは、PDFからページごとに文字を取り出し、取り出せなかった理由を分けて出す。

  • 画像だけ(スキャンの疑い):文字が無く、画像が貼られている。OCRが要る。
  • 化けている疑い:私用領域・範囲外の文字が多い、英数字が単語に区切れていない、などの特徴。既定ではコピーの対象から外す。
  • 部首の文字:康熙部首を、普通の漢字に直す(オン・オフを選べる)。

行末の改行をつなげる、ページ区切りを入れる、も選べる。ファイルはブラウザの中で処理し、サーバーには送らない。OCRはしない。

測定の条件

  • PDFは、Windows 11 Pro(10.0.26300)の Microsoft Print to PDF(.NET の PrintDocument で出力)と、Edge 156(--print-to-pdf、Skia/PDF)で作った。縦書き・合字は、Calibri と Yu Gothic、Palatino Linotype を指定した HTML を印刷した。
  • ToUnicode を無効にしたPDFは、Edge で作ったPDFの /ToUnicode を、同じ長さの別名に書き換えて作った。画像だけのPDFは、文字を含まない画像だけの HTML を印刷した。
  • 文字の取り出しは、このサイトのツールと同じコード(pdf.js 6.3.289)で行った。合字の ToUnicode は、PDFの中の CMap を展開して読んだ。
  • Word・LibreOffice・Acrobat で作ったPDF、Acrobat や各ブラウザの「コピー」は試していない。他のソフトで作ったPDFや、他のソフトで開いてコピーした結果は、ここの表と違うかもしれない。

参考

  • Adobe, PDF 32000-1:2008(9.4.3 Text-Showing Operators、9.10 Extraction of Text Content、14.8.2.3 Page Content Order):https://opensource.adobe.com/dc-acrobat-sdk-docs/pdfstandards/PDF32000_2008.pdf(2026年11月3日確認)

この記事に対応するツール