PDFテキスト抽出

PDFテキスト抽出は、何もアップロードせずにPDFをきれいなコピー可能なプレーンテキストに戻すツールです。ファイルを開くと、各ページの背後に保存されたテキストレイヤーを読み取り、グリフの位置からすべての行を再構成し、実際に再利用できるテキストを渡します。2段組みのページは左右が混ざるのではなく段ごとに出力され、毎ページ繰り返されるランニングタイトルとページ番号は取り除かれ、行末のハイフンで分割された単語は再結合され、強制改行された行は本来の段落に戻されます。元の間隔が必要ですか？表、請求書、領収書にはレイアウト保持、ファイルが保存した内容をそのまま見るには元の順序に切り替えてください。すべてブラウザー内で処理されるため、契約書、明細書、論文、原稿がデバイスから出ることはありません。

PDFからテキストを抽出する方法

1. PDFを開く。 ファイルをドロップエリアにドラッグするか、PDFファイルを選択をタップします。デバイス上で読み取られ、アップロードされません。急いでいますか？サンプルの2段組みページを試すを押すと、すぐに動作を確認できます。
2. 抽出スタイルを選ぶ。 スマートフローは段落と読み取り順を再構成し、レイアウト保持はページ上の間隔を再現し、元の順序は未整形の抽出結果を表示します。
3. 整形する。 繰り返しのヘッダーとフッターを削除、ハイフンで分割された単語を結合、段組みを検出はオンのままにし、文書の一部だけが必要な場合はページに1-5, 12のような範囲を入力します。
4. コピーまたはダウンロード。 プレビューを確認し、テキストをすべてコピーを押すか、結果を.txtまたはMarkdownファイルとしてダウンロードします。

どの抽出スタイルを使うべきですか？

このPDFテキスト抽出がほかと違う理由

よくある使い方

研究論文を打ち直さずに引用する。契約書や賃貸契約のテキストを赤字用の文書に移す。請求書や明細書から明細行を取り出す。レポートを翻訳、要約、メモアプリに渡す。電子書籍やマニュアルの文言を検索できるように取り出す。分析用のきれいなコーパスを用意する。あるいは、長いPDFをスクリーンリーダー、エディター、スマートフォンで扱いやすい形にする。

抽出の仕組み

デジタルで作られたほとんどのPDFは、見えるページの背後に不可視のテキストレイヤーを持っています。リーダーで選択できる同じ文字が、描画位置とともに記録されています。このツールはそのレイヤーを読み、幾何から構造を再構成します。同じベースラインを共有する文字が1行になります。各行がページ幅方向に占める範囲を測り、どの行も横切らない縦帯を複数段組みの溝とみなし、読み取り順を決めます。全幅にまたがる行（タイトル、図のキャプション、罫線）はページを段の領域に分け、その位置に残ります。最後に、典型的な行間と本文の右端から段落の本当の終わりを判断し、テキストが本当に続くときだけ行を結合します。

抽出できない場合

スキャン文書はページの写真です。テキストレイヤーがないため抽出するものがなく、そうでないと主張するツールは推測しているだけです。この抽出ツールはその状態を検出して伝え、空のファイルを渡すことはしません。スキャンからテキストを得るには、先にOCR（光学文字認識）が必要です。暗号化されたPDFも、保護を解除するまで開けません。またPDFは文書のアウトラインではなく描画指示を記述するため、本質的に近似になるものもあります。デザインの強いページ、サイドバー、脚注、数式、ベクターアートとして描かれた文字は、手直ししたくなる順で出ることがあります。3つのスタイルを切り替えるのが、いちばんきれいな出発点を得る最短の方法です。