使い方
- PDFファイルを選択するか、ドロップします。
- 「段落と見出し」または「配置レイアウト」を選択します。
- 「HTMLに変換」を選択し、すべてのページが読み取られるまで待ちます。
- プレビューを確認し、コードをコピーするか、.htmlファイルをダウンロードします。
仕組み
このツールは各ページのテキストレイヤーをpdf.jsで読み取り、すべてのテキスト片を位置とフォントサイズとともに取得します。「段落と見出し」モードでは、同じベースライン上のテキスト片を1つの行に結合し、行間の縦方向の間隔と字下げに基づいて行を段落にまとめます。本文よりも明らかに大きなサイズの行は見出し（h1〜h3）になり、行頭が箇条書き記号または「1.」のような番号で始まる行はリスト項目になります。行末でハイフンで区切られた単語は、次の行が小文字で始まる場合に結合されます。HTMLコメントで各ページの開始位置が示されます。
「位置固定レイアウト」モードでは、各テキスト片がページと同じサイズのボックス上の座標に配置されたspanになり、一般的なセリフ、サンセリフ、または等幅フォントが使われます。PDFに近い見た目ですが、編集には向いていません。
変換されるのはテキストのみです。画像、図形、表の罫線、色、フォント、太字・斜体、リンクは引き継がれず、表はテキストの行として出力されます。複数列ページは、テキストが保存されている順序で読み取られます。これは通常は読み取り順と一致しますが、常にそうとは限りません。スキャンされたPDFにはテキストレイヤーがないため、先にOCRが必要です。すべてのテキストはHTMLエスケープされます。
使用例
パンフレットをオンラインで公開する
2ページの製品パンフレットがh2見出し、段落、箇条書きリストになり、CMSに貼り付けてスマートフォン画面に適応させられます。
テキストレイヤーの確認
位置固定レイアウトでは、フォームの各テキスト片がページ上のどこに配置されているかを正確に確認できるため、PDF生成のデバッグに役立ちます。
よくある質問
画像や表は変換されますか？
いいえ。読み取られるのはテキストレイヤーのみです。画像や図形はスキップされ、PDFにはどのテキストがどのセルに属するかという情報がないため、表のセルはテキスト行として出力されます。
見出しが段落として認識される（またはその逆になる）のはなぜですか？
見出しは、本文で最も一般的な文字サイズより大きいかどうかだけで認識されます。通常サイズの太字は段落のままになり、装飾的な大きなテキストが見出しになる場合があります。
段落の順序が正しくないのはなぜですか？
このツールは、PDF内でテキストが保存されている順序に従います。一部のプログラムでは、段組み、サイドバー、キャプションなどが表示上の順序とは異なる順序で保存されていることがあります。
PDFからテキストが取得できません。どうすればよいですか？
スキャンされた文書である可能性が高いです。まずOCRでテキストを認識してください。たとえば、ページ画像に対して「Image to Text (OCR)」を使用します。
プライバシー
PDFはお使いのブラウザ内でpdf.jsによって読み取られます。ファイルとHTMLはアップロード、保存、アクセス解析への記録はされません。ツールが使用されたという匿名のイベントのみがカウントされます。