PDFから文字をコピーする方法と、スキャンへの対処

やりたいこと

PDFの中の文字を引用したり文書に貼り付けたり、別のツールに渡したりしたい。同じ「文字が書かれたページ」に見えるPDFでも、文字データが埋め込まれているものと、ページを撮影しただけのものでは対処が違います。

まず抽出を試す

PDFからテキスト抽出を開き、ファイルをドロップして実行します。埋め込みテキストがあれば数秒で結果が表示され、コピーするか.txtでダウンロードできます。ページは「── 3ページ ──」のような区切り行で分かれるので、どこが各ページの始まりか分かります。

• 埋め込みテキストは読み順を保ちますが、PDFのレイアウトはほぼ失われます。段組み・表・改行は平坦化されて出てきます。
• 25MiB・60ページまでです。

何も出てこない場合

「テキストが見つからない」と出た場合、そのPDFはスキャンです。文字は画像の一部としてのみ存在するため、テキスト抽出では取り出せません。OCRが必要です。ブラウザ内で進めるなら、PDFから画像へで各ページをPNGにして、信頼できるOCRツールへ渡す方法があります。1〜2ページなら手で打ち直す方が速いことも多いです。

制限

暗号化PDFには対応していません。抽出の質はPDFの作られ方に依存し、合字・独自エンコーディング・縦書きでは順序が崩れたり空白が抜けたりすることがあります。引用する前に出力を確認してください。