PDFをTXTに変換

Word、Google ドキュメント、ブラウザから書き出したPDFは、文字を位置情報とともに保存しています。そのため、取り出す際は自然な順序で読み取る処理が必要です。スキャナーやスマホのカメラで作ったPDFは、各ページの画像だけを保存しており、文字は認識して取り出す必要があります。事務用のPDFには両方が混在するものも多く、たとえば入力した手紙の最後に、署名ページだけがスキャンで付いているような場合です。

文字認識（OCR）は、各ページをどう扱うかを決める設定です。以下の3つの設定は、これらの種類のファイルで動作が異なります。ほとんどの場合は「自動」が適しています。

PDFの中では、文字は特定のフォント用のグリフコードの並びとして保存されており、文字そのものではありません。きちんと作られたファイルには、どのコードがどの文字かを示すToUnicodeマップが含まれます。古い印刷ドライバーや独自のレポート生成ツールで作られたファイルにはこのマップがないことがあり、ページは完璧に見えるのにコピーすると文字化けします。OCRを強制するのが確実な回避策です。スキャン時の設定について詳しくはスキャンPDFのテキスト化をご覧ください。

TXT自体はUTF-8のため、アクセント付き文字、キリル文字、アラビア文字、デーヴァナーガリー文字、CJK文字も保持されます。右から左に書く文字は読む順序で保存されるので、エディタや検索エンジンが想定する形式になります。