PDF テキスト抽出（PDF を TXT に変換）

PDF テキスト抽出について

PDF のテキストは段落として保存されておらず、断片として描かれている

これがこのツールにこれらのスイッチがある理由の鍵です。PDF が記述しているのは印刷結果で、「座標 (72, 640) に 11pt の明朝でこの数文字を描く」という記録が並びます。1 ページに数百のそうした命令が入ることもあり、その間に「ここが段落」「この行は終わり」といった情報はありません。つまりテキスト抽出が実際にやっているのは、これらの断片を座標から読める文章へ組み直すことです。まず縦座標で断片を同じ行にまとめ、次に横座標で行内を並べ替え、最後にどの行が同じ段落に属するかを判断します。同じ PDF でもツールによって結果が違うのは、すべてこの工程の差です。

中国語・日本語がとくに壊れやすい理由

隣り合う文字ブロックの間に空白を入れるかどうかは、通常その横方向の間隔で判断します——おおよそ 1 文字幅の 4 分の 1 を超えたら区切りとみなす、という具合です。この規則は英語では成り立ちますが、中国語や日本語では破綻します。もともと字間が空いている組版な上、多くの PDF 生成ソフトが 1 文の中を十数個の断片に分けて個別に配置するため、抽出結果が「こ れ は 一 文 で す」のようになってしまうのです。本ツールのやり方は空白を入れる前に両側が漢字かどうかを確認し、両側とも漢字なら決して入れないというもので、欧文との境界では空白を残します。同じ考え方は段落の結合にも使っています。中国語・日本語の行はそのまま直接つなぎ、欧文の行の間には空白を 1 つ入れ、行末のハイフンは取り除いてからつなぎます。

スキャンから文字が取れないのはツールの問題ではない

PDF がスキャナーやスマートフォンで撮影されたものなら、各ページは実際には 1 枚の画像で、取り出せるテキストレイヤーがそもそもありません——どのツールを使っても結果は空です。本ページは抽出できた文字数が明らかに少ないときに、これはスキャンの可能性が高いとはっきり伝えます。空のファイルを黙って渡すことはしません。画像の中の文字をテキストにするには OCR（光学文字認識）が必要ですが、これは別種の技術で数十 MB の認識モデルを要するため、本サイトでは提供していません。見分け方は簡単です。ビューアで PDF を開き、本文をマウスで選択してみてください——選択できなければスキャンです。

画像変換・Word 変換との役割分担

検索でき、コピーでき、別のプログラムに渡せるプレーンテキストが欲しいなら、このページを使ってください。レイアウトがひと目で分かる画像が欲しいなら——チャットに送る、スライドに貼る、表紙にする—— PDF を画像に変換を使えば、ページごとに PNG または JPG として描画します。プレーンテキストでは文字サイズ・色・罫線・画像が必ず失われますが、それは欠陥ではなく定義です。レイアウトを保ったまま編集を続けたいなら、デスクトップ版 Word の「PDF を開く」がどのオンラインツールより適しています。逆に手元が Markdown で PDF や Word にしたい場合は、サイト内に Markdown → Word / PDF 変換 。