使い方
- PDFファイルを選択するか、ドロップします。
- 各ページの先頭に「--- Page 3 ---」のような見出しを付けるかどうかを決めます。
- 「テキストを抽出」を選択し、すべてのページが読み取られるまで待ちます。
- テキストをコピーするか、UTF-8の.txtファイルとしてダウンロードします。
仕組み
ワープロソフト、ウェブサイト、その他多くのソフトウェアで作成されたPDFファイルには、テキストレイヤー（文字とその位置情報）が含まれています。このツールはpdf.jsを使ってページごとにそのレイヤーを読み取り、プレーンテキストの行に変換します。フォント、サイズ、色、画像、表は保持されません。表のセルはスペースや改行で区切られたテキストとして出力されます。
読み取り順序はPDFに保存されている順序に従います。これは通常、見た目の順序です。段組みレイアウト、脚注、テキストボックスは予期しない順序で出力されることがあり、行末でハイフンで分割された単語は分割されたままになります。
スキャンした文書や写真をPDFとして保存したものには、テキストの画像のみが含まれ、テキストレイヤーがないため、何も抽出できません。ツールはこれを検出し、画像からテキストを読み取るOCR（光学文字認識）を案内します。一部のPDFでは、適切な文字マップを持たないフォントが使われているため、テキストが判読できない記号として出力されることがあります。
開くためにパスワードが必要なPDFは読み取れません。コピー制限のみのPDFは読み取れるため、文書の所有者の権利を尊重してください。
使用例
レポートの引用
40ページのPDFレポートのテキストを抽出し、テキストボックス内で検索して、PDFビューアの選択操作に苦労せず必要な段落をコピーできます。
スキャンした手紙
PDFにスキャンされた手紙からはテキストが得られません。ツールはそのことを知らせ、ページ画像からテキストを認識できるOCRツールへのリンクを表示します。
よくある質問
PDFからテキストが見つからないのはなぜですか？
PDFにテキストではなくスキャン画像が含まれている可能性が高いです。OCRでページを処理してテキストを認識してください。
単語や行が誤った順序になるのはなぜですか？
ツールはファイル内にテキストが保存されている順序を使用します。一部のプログラムは、列、ヘッダー、テキストボックスを表示順とは異なる順序で保存します。
テキストに変な記号が含まれるのはなぜですか？
PDFによっては、各グリフがどの文字を表すかという情報を持たないフォントが使われています。表示されている文字をテキストに戻せないため、そのようなファイルではOCRが唯一の方法です。
太字や表などの書式は保持されますか？
いいえ。出力は改行付きのプレーンテキストです。表のセルや列は、それぞれの行のテキストとして出力されます。
プライバシー
PDFは、お使いのブラウザ内でpdf.jsによって開かれて読み取られます。ファイルと抽出されたテキストはアップロード、保存、アクセス解析への利用はされません。ツールが使用されたことのみが匿名イベントとしてカウントされます。