PDFをテキストに変換
PDFを文字だけにします。フォントも画像もレイアウトもなく、検索・貼り付け・差分比較ができ、スクリプトに渡したり翻訳ツールに読み込ませたりできる.txtファイルだけが残ります。スキャンしたページは先にOCRで読み取ります。
PDF変換
またはPDF ファイルをここにドロップ ·
1ファイルあたり最大95 MB· 最大20ファイルまで· 30分後に削除
ファイルは当社のサーバーで処理され、30分後に削除されます。
スキャンしたPDFはページを撮影した画像です。自動はテキストレイヤーのないページにのみOCRを実行し、常にオンはすべてのページで実行します。
スキャンに印刷されている言語です。正しい言語を選ぶと、アクセント記号付き文字やラテン文字以外の文字の精度が大きく向上します。
フロー形式は通常の段落に再配置され、編集しやすくなります。レイアウト固定は各ブロックを元の位置に配置するため、見た目は同じですが編集は難しくなります。
検出された表をブックのどこに配置するかを指定します。
ページ番号または範囲をカンマで区切って指定します(例: 1-3, 5, 8-10)。
このツールの使い方
- 1
PDFをドロップ
PDFを1つ、または最大20個までアップロードします。1ファイルあたり95 MBまで対応しています。文字データのページとスキャンしたページが混在していても、ページごとに処理されます。
- 2
必要に応じて範囲を絞る
変換先ではすでにプレーンテキストが選択されています。必要な章や付録だけを取り出したいときは、詳細設定の変換するページを使います。
- 3
.txtをダウンロード
プレーンテキストに変換を押します。ファイルはUTF-8で保存されるため、アクセント付き文字やラテン文字以外の文字も、最近のエディタならどれでも正しく表示されます。
PDFからテキストをきれいに取り出すには?
プレーンな.txtファイルに変換します。全文が読み順に並び、段落は空行で区切られるだけなので、どのエディタやプログラムでもそのまま使えます。
PDFテキスト抽出で残るもの・消えるもの
変換では、各ページを読み順に、上から下、段ごとにたどり、見つかった文字を書き出します。同じ段落に属する行はつなげ、段落同士は空行で区切ります。各ページのテキストは前のページに続けて並ぶため、1つの章が途切れのない文章として読めます。
フォント、サイズ、色、画像、グラフ、ページ上の文字の位置など、見た目に関わるものはすべて捨てられます。それが狙いです。写真だらけの10 MBのレポートも、数百キロバイト程度のテキストファイルになるのが一般的です。検索しやすく、差分ツールでバージョン同士を比較でき、翻訳や分析のツールにも貼り付けられます。
コマンドラインを使う方なら、PopplerやXpdfプロジェクトのpdftotextをご存じかもしれません。デジタルPDFに対しては同様の処理を行います。ここでの違いはOCRです。テキストレイヤーのないページも、空白のままにならず、選んだ言語で認識されます。PDFではない画像には、画像文字起こしをお使いください。
プレーンテキスト、Markdown、Word：出力形式の選び方
プレーンテキスト
文字のみ、UTF-8。
- ファイルが最小
- どのソフトでも開ける
- 見出しや書式なし
Markdown
軽いマークアップ付きのテキスト。
- 見出しは#で表示
- リストと太字を保持
- テキストファイルのまま
Word文書
レイアウトを保った編集可能な形式。
- 表と画像を保持
- スタイルを維持
- ワープロソフトが必要
テキストファイルがとても小さい理由
1バイトUTF-8テキストファイルの英字1文字、数字、スペースあたり
Portable Document Format
PDF は1993年に Adobe が作成し、2008年にオープンな ISO 32000 標準になりました。テキスト、フォント、画像、レイアウトを固定するため、どの画面でもプリンターでも文書が同じ見た目になります。フォーム、署名、リンク、添付ファイル、検索可能なテキストを含められ、PDF/A という種類は長期保存に使われます。レイアウトが固定されているため編集しにくく、スキャンした PDF は OCR を適用しない限り画像だけです。すべてのブラウザと OS で開けます。
- 圧縮方式
- –
- 透過
- 対応
- アニメーション
- 非対応
- 登場時期
- 1993 · Adobe
TXT
プレーンテキスト
TXTファイルには、書式、フォント、画像、レイアウトのない文字だけが入っています。最近のテキストファイルは、あらゆる言語を扱える UTF-8 で符号化されているのが普通ですが、古いファイルは別の文字コードで、文字化けすることがあります。プレーンテキストはごく小さく、古くなることがなく、スマートフォンからサーバーまであらゆる機器で開けます。太字、表、画像は保持できないため、構造は空白や簡単なマークアップで表現します。
- 圧縮方式
- –
- 透過
- –
- アニメーション
- –
- 登場時期
- –
検索、引用、翻訳、データの整理、ほかのプログラムへの入力など、必要なのが文章だけでレイアウトは邪魔になる場合に、PDFからプレーンテキストを取り出します。
PDFテキスト変換のよくある質問
PDFからテキストをコピー＆ペーストするだけではだめなのですか？
1、2段落ならコピーでも足ります。ただしPDFビューアからのコピーは、行末で単語が途切れたり、段組みが混ざったり、文の途中にページヘッダーが入ったりしがちで、スキャンしたページでは何もコピーできません。テキスト抽出なら、ファイル全体を読み順どおりに読み取り、テキストレイヤーがないページにはOCRを実行します。
テキストファイルの文字コードは何ですか？
UTF-8です。Webや大半のソフトウェアが標準で使っている文字コードです。Windowsのメモ帳はWindows 10 バージョン1903以降、新規ファイルを標準でUTF-8で保存します。macOSのテキストエディット、VS Code、各ブラウザも何も聞かずに読み込めます。古いソフトで文字化けする場合は、インポート設定でUTF-8を選べるか確認してください。
TXTはPDF TXT変換ツールと同じですか？
出力は同じで、どちらも.txtファイルです。このページはテキストを取り出して再利用することに重点を置いています。PDF TXT変換は、拡張子の名前で検索する人向けの、同じ変換のページです。
表はどうなりますか？
表のセルは読み順に、タブ区切りで書き出されます。そのため、表をスプレッドシートに貼り付けても、ある程度きれいに収まります。表が目的で変換するなら、PDF Excel変換のほうが、行と列を本物のセルとして保てます。
見出しを区別した状態でテキストを取り出せますか？
プレーンテキストには見出しを示す手段がありません。見出し、リスト、太字を簡単な記号で示しつつテキストファイルのままにしたい場合は、変換先でMarkdownを選んでください。
スキャンからのテキスト抽出は手書き文字にも使えますか？
OCRは印刷された文字向けです。整った大文字のブロック体なら読み取れることも多いですが、筆記体の手書きは確実ではありません。活字や印刷物を300 dpiでスキャンしたものが、最もよい結果になります。
