PDFテキスト抽出

PDFに含まれる文字をページごとに取り出し、画面で確認してコピーまたは.txtで保存します。ページ範囲の指定ができます。スキャンした画像だけのPDFは文字が取れません。ファイルはブラウザの中だけで処理されます。

読み込み中…

次におすすめ

この結果のあとは、PDF→画像変換で PDFのページを、PNG・JPEGの画像にする。

次は「PDF→画像変換」を使う

このほかに、この結果に関連するツール

使い方と仕様

PDFを入れて「文字を取り出す」を押すと、ページごとに文字が出ます。全文をまとめてコピーするか、.txt(UTF-8)で保存できます。「ページの区切りを入れる」にすると、各ページの前に「--- ページ 3 ---」の行が入ります。ページの範囲は「1-3, 5, 8-」のように指定でき、空欄なら全ページです。一度に読めるのは500ページまでです。

取り出せるのは、PDFの中に「文字」として入っているものだけです。紙をスキャンして作ったPDFや、画像として貼られた文字は、見た目は文字でも、中身は画像なので取り出せません。そのようなページは、一覧に「文字なし」と出ます。このツールには、画像から文字を読み取る機能(OCR)はありません。パスワード(暗号化)がかかったPDFも開けません。

行の組み立ては、PDFが持つ「文字のかたまり」の位置から、次の規則で行っています。縦の位置(ベースライン)が、文字の高さの半分以内のずれなら同じ行にする。行の中は左から右へ並べる。かたまりの間の隙間が、文字の高さの0.2倍を超えたら空白を1つ入れる(日本語どうしでも同じ規則)。行の間が文字の高さの1.8倍を超えたら、空行を挟む。この規則は目安なので、表・段組み・ルビ・図の中の文字は、順番が入れ替わったり、空白が入ったりすることがあります。

日本語の縦書きは、うまく取り出せないことがあります。縦書きのPDFは、1文字ずつ別のかたまりとして入っていることが多く、上の規則では1文字ごとに行が分かれたり、段(行)の順が逆になったりします。縦書きらしいページには、注意を出します。文字化けや、文字が抜ける場合は、PDFの作り方(フォントに文字の対応表が無いなど)によるもので、このツールでは直せません。

よくある質問

PDFの文字が選択できません。取り出せますか?
選択できないPDFは、多くが画像(スキャン)です。その場合、このツールでも取り出せず、「文字なし」と出ます。文字を読み取る機能(OCR)は付いていません。
取り出した文字の並びが、見た目と違います。
表や段組みのあるPDFでは、見た目の並びと、PDFの中の文字の位置の関係が複雑なため、行の順番や区切りがずれることがあります。このツールは、位置から行を組み立てる簡単な規則を使っています。
文字化けしたり、変な記号が出ます。
PDFの中のフォントに、文字コードの対応表が入っていないと、正しい文字に戻せません。その場合は、PDFを作った側で、文字を対応表つきで書き出し直す必要があります。
取り出した文字は、アップロードされますか?
いいえ。PDFを読むのも、行を組み立てるのも、ブラウザの中だけで行います。

ファイルツール

ファイルツールを一覧で見る(13)