PDFテキスト抽出 どんなPDFからも文字を取り出す
PDFに含まれる文字をテキストとして取り出します。
PDFテキスト抽出を行うには、ファイルをアップロードし、必要なら取り出したいページを入力します。抽出したテキストはページ上に表示され、.txtファイルとしてダウンロードするボタンも出ます。読み取るのはPDFにもともとあるテキスト層で、ページ順に並べ、ページの間に空行を入れます。OCRは行わないため、ページの写真で作られたスキャンPDFは、テキスト層を追加するまで何も取り出せません。
PDFからテキストを取り出す手順
25 MiBまでのPDFを選びます。ページ欄を空にすると全ページを抽出し、1-3,5のようにページや範囲を入力するとそのページだけを取り出します。フォームを送信し、結果欄でテキストを読み、ダウンロードボタンからプレーンテキストファイルとして保存します。ソフトのインストールは不要です。
出力されるテキストの形
得られるのはプレーンテキストだけです。各ページのテキストは前後の余白を除き、ページ間に空行を入れてつなげます。フォント、太字、表、段組み、画像は残りません。単語の順序はPDFが保持している順になるため、複数段組みやサイドバーのあるページでは見た目の順と異なることがあります。表や段組みのページは目で確認してください。
スキャンPDFと結果が空になる場合
スキャンしたPDFは各ページが画像で、読み取れるテキストがないため、テキストを抽出できなかったという警告が表示されます。先に「検索可能な PDF」でOCRによるテキスト層を追加し、その結果からテキストを抽出してください。パスワード付きのPDFは受け付けないので、先に「PDFパスワード」で解除します。
別のツールを使う場面
テキストファイルではなく編集できる文書がほしい場合は、段落と改ページを保ったDOCXを作れる「PDFをWordに変換」を使います。PDF内の画像がほしいときは「PDF から画像を抽出」を、PDFではなく写真やスクリーンショットの文字を読み取るときは「画像をテキストに変換(OCR)」を使ってください。
よくある質問
選択できないPDFから文字をコピーするにはどうしますか?
まずこのツールを試してください。テキストを抽出できなかったと表示されたら、そのPDFは画像でできたスキャンである可能性が高いです。「検索可能な PDF」でOCRをかけてテキスト層を加え、そこから抽出してください。
一部のページだけテキストを抽出できますか?
はい。任意の欄に1-3,5のようにページ番号と範囲を入力すると、そのページだけが対象になり、指定した順に並びます。空欄なら全ページです。文書の長さを超えるページ番号を入れるとエラーになります。
書式や表は保たれますか?
保たれません。結果はページ間に空行を入れただけのプレーンテキストです。太字、フォント、画像、表の罫線は失われ、表のセルは文字の行として出力されます。抽出後に表は手作業で整えてください。
PDFテキスト抽出にサイズの上限はありますか?
アップロードは1ファイルあたり25 MiBまでで、一度に処理できるPDFは1つです。それより大きいファイルは、「PDFを分割」で分けてから、それぞれのテキストを別々に抽出してください。
パスワード付きのPDFも読み取れますか?
読み取れません。暗号化されたPDFはエラーで拒否されます。パスワードがわかっている場合は、「PDFパスワード」でパスワードの解除を選び、解除したファイルをここにアップロードしてください。