PDFからテキストを取り出す

PDFの文字をページごとに取り出して、コピーや.txtで保存できます。スキャン画像だけのページや、文字が化けているページは、理由を表示します。

ここにドラッグ&ドロップもできます(1ファイル 100.00 MB まで)

このツールについて

PDFファイルを1つ選び、ページごとの文字を取り出します。取り出した文字は画面に表示され、全体をコピーしたり、.txtファイルとして保存したりできます。行末の改行をつなげて段落にまとめる、ページの区切りを入れる、といった整形もできます。このツールの中心は、取り出せなかった理由を示すことです。ページごとに、文字がまったくなく画像だけが貼られているか(スキャンした書類をPDFにしたものの可能性が高く、文字認識(OCR)が必要です)、白紙かどうか、文字は取り出せたが化けている疑いがあるかを判定して表示します。化けている疑いは、PDFに文字の対応表(ToUnicode)が入っていないときに起きます。文字は取り出せても、ギリシャ文字やチベット文字のような関係のない文字に置き換わったり、英語が空白なしの意味のない並びになったりします。このときは、取り出した文字を直すことはできません。

また、PDFによっては、見た目は漢字と同じでも別の文字(⽂・⾏・⼀ など、康熙部首)が混ざって取り出されることがあります。そのままだと検索で見つからないことがあるため、普通の漢字に直すオプションを用意し、混ざっているときは何文字あるかも表示します。段組みのあるPDFや、表のあるPDFでは、文字の並びが見た目どおりにならないことがあります。行末の改行をつなげるオプションは、文の終わりや短い行(見出し・表の行)の前では改行を残しますが、完全な判定はできません。

文字認識(OCR)はしません。パスワード付きのPDFは扱えません。開くのにはパスワードが要らず、作成者が「内容のコピー」だけを許可していないPDFは、文字を取り出せますが、その旨を表示します。取り出した文字を使ってよいかは、作成者や権利者の意向に従ってください。ファイルは1つあたり100MBまでです。

  1. PDFファイルを選ぶか、点線の枠にドラッグ&ドロップします。
  2. 読み込みが終わると、ページごとの文字を取り出します。ページ数が多いと時間がかかることがあります。
  3. 結果の上に、文字を取り出せたページ数と、取り出せなかったページ・化けている疑いのあるページが、理由とともに表示されます。
  4. 必要に応じて、「行末の改行をつなげる」「ページ区切りを入れる」「部首の文字を普通の漢字に直す」を切り替えます。表示されるテキストがすぐに変わります。
  5. 「全体をコピーする」でクリップボードに入れるか、「.txtでダウンロード」で保存します。
  6. 画像だけのページがあるときは、文字認識(OCR)ができるソフトで、先にPDFに文字認識をしてください。

ブラウザ内で完結します

選んだPDFはサーバーに送っていません。ブラウザの中でpdf.jsというライブラリを使ってPDFを解析し、ページの文字を取り出しています。pdf.jsはページの解析を裏側の別スレッド(Worker)で行いますが、このWorkerもこのサイトが配信するファイルとして読み込んでおり、外部のCDNには一切アクセスしません。処理はすべて端末の中で終わるため、開発者ツールのネットワークタブを開いたままPDFを選んで操作し、リクエストが増えないことで確かめられます。

関連する解説

同じ分類のツール