PDFからテキストを抽出

仕組み

本物のテキストを含むPDFには、ページ上に配置された文字そのものが入っています。このツールはそれをページ順に読み出し、プレーンテキストファイルに書き出します。引用、検索、単語数のカウント、PDFを読めないものへ文書を渡す場合などに便利です。

テキストPDFとスキャンPDFは別物です

ワープロや書き出しで作られたPDFは、テキストがテキストとして保存されているため、抽出できます。スキャナーやスマートフォンのカメラで作られたものは、各ページが文書の写真であり、抽出できる文字はなく、あるのはピクセルだけです。それを読み取るにはOCRが必要ですが、このツールは意図的にそれを行いません。何も見つからなかった場合は、説明のない空のファイルを返すのではなく、その旨をお知らせします。

レイアウトは保持されません

PDFはテキストを段落ではなく、座標に配置された断片として保存しています。抽出では、同じ高さにある断片をまとめて行を再構成します。通常の文章にはうまく機能しますが、段組み、表、サイドバーではうまくいかず、読む順序が乱れる場合があります。

ページの区切り

各ページの前には区切りが入るため、どこで終わり次が始まるかがわかります。連続した文章にしたい場合は、検索と置換で取り除いてください。