PDFからテキストを抽出するには？
上のボックスにPDFを入れ、ページが読み取られるまで少し待ちます。そのあと「テキストを抽出」を押してTXTファイルをダウンロードしてください。全ページの文字が順番どおりに入っていて、メモ帳やテキストエディットなど、どのエディタでもすぐに開けます。元のPDFは変更されません。
出力はあえてシンプルにしています。フォントも色も画像もなく文字だけなので、ファイルが小さく、検索しやすく、別の文書にも貼り付けやすくなっています。レイアウトも必要なら、PDFをWordに変換するか、元のファイルを使うほうが適しています。
ヒント： TXTをワープロソフトで開き、検索と置換で余分な改行を整えましょう。幅の狭い段組みから取り出した文字は1行ごとに改行が入りがちですが、置換を1回するだけで直せます。
PDFの文字をコピーできないのはなぜ？
よくある理由は3つあります。いちばん多いのは、そのPDFがスキャンであることです。スキャンはページを撮った写真なので、文字はまったく入っていません。選択するものがないので、何も選択できないのです。解決策はOCRで、画像を読み取って本物の文字にしてくれます。
2つ目は権限のロックです。閲覧はできてもコピーを禁止しているPDFがあります。パスワードが分かれば、PDFパスワード解除ツールで制限を外してから文字を抽出できます。3つ目は特殊なフォントのエンコードで、文字は選択できるのに、貼り付けると読めない記号になってしまうケースです。その場合は、ページを描画してOCRをかけるのがいちばんきれいに解決できることが多いです。
抽出したテキストはどんな形になる？
各ページに出てくる順番どおりに文字が並び、PDFで改行されている場所で改行されます。段落はたいてい短い行に分かれて出てきて、表はセルの区切りがない文字の行になります。ページのヘッダー、フッター、ページ番号も文字なので、印刷されていた位置に出てきます。
これはPDFからの抽出では普通のことです。PDFは文字の断片をページ上の位置ごとに保存しているだけで、段落や表という考え方を持っていません。ツールはそこにあるものを読み取り、順番に書き出します。引用したい論文の章や記事なら、とてもうまく取り出せます。表計算のような複雑な表は、列を手で作り直す必要があると考えてください。日本語の文書でも同じように抽出できますが、縦書きのPDFは読む順番が乱れることがあるので、結果を確認してください。
PDFからオンラインでテキストを抽出しても安全？
安全です。PDFはアップロードされないからです。ページはオンラインで開きますが、文字を読み取るのはお使いの端末のブラウザです。文書もその中の文字もサーバーには送られないので、契約書や診断書など、知らない人にメールで送りたくないものにも使えます。
ファイルを抽出している間にブラウザのネットワークタブを見れば確認できます。PDFを送るリクエストはありません。TXTもブラウザの中で作られ、そのままダウンロードフォルダに保存されます。