PDFからテキスト抽出

PDFの中の文字をすべて取り出して、.txtファイルに保存します。Wordから作ったPDFやWebページから保存したPDFなら、文字がすでに入っているので、書かれたとおりにすぐ取り出せます。スキャンやスマホで撮った写真から作ったPDFは、ページに文字情報がありません。どのページかをお知らせし、画像として文字を読み取るOCR(文字認識)にかけることもできます。各ページは区切り行から始まるので、どこから始まるか分かります。アップロードはありません。

PDFからテキストを抽出する方法

  1. 上の枠にPDFをドロップするか、枠をクリックして選んでください上の枠をタップしてPDFを選んでください。PDFはこの端末の中で開きます。
  2. ファイル名の下にある概要を確認します。文字のあるページ数と、文字のないページ(スキャンや写真の可能性が高いページ)が表示されます。
  3. 文字のあるページは、すぐにテキスト欄に表示されます。各ページの前には「--- 1ページ ---」のような区切り行が付きます。区切りのない文字だけが必要なら、「ページごとに区切りを入れる」をオフにしてください。
  4. スキャンしたページがあるときは、「文字の言語」を選んで「スキャンしたページを文字認識(OCR)」を押します。進行バーがページ数を数え、いつでも「中止」でき、それまでに読み取ったページはテキストに残ります。
  5. 必要ならテキスト欄でそのまま修正して、「コピー」または「.txtで保存」を押してください。

文字情報のあるPDFとスキャンの違い

PDFの種類文字の取り出し方結果
Word・Webページ・デザインソフトから保存文字情報からそのままコピー正確な文字が即座に、ファイルに保存された順で出る
文字情報のないスキャンやスマホ写真ページごとに200dpiで描画してOCRで読み取り1ページ数秒、誤りの可能性あり
スキャンアプリが見えない文字情報を加えたスキャン文字情報からそのままコピースキャンアプリ自身の認識の品質しだい

テストでは、200dpiでスキャンした韓国語1ページを、言語データが端末にある状態で約1.9秒、文字の96.0%を正しく読み取りました。スキャンした英語レシート1ページは約2.4秒でした。きれいなテスト用ページなので、実際のスキャンはこれより悪くなることがあります。

知っておきたいこと

  • 文字情報のあるPDFなら、認識ミスなしで文字をそのまま取り出せます。OCRが必要なのは、文字情報のないページだけです。
  • 文字はファイルに保存されている順に出てきます。段組み・サイドバー・ヘッダーとフッターのあるページは順序が混ざることがあり、表はセルの区切りなしの行の連なりになります。
  • ページは正常に見えるのに抽出した文字が文字化けしているときは、文字情報が壊れているPDFです。「すべてのページを画像として読み取る」をオンにして、全ページをOCRで読み取ってみてください。
  • 長いスキャンは時間がかかります。画像として読み取ると1ページあたり数秒です。一部だけが必要なら、先に「PDF分割」で分けておきましょう。
  • パスワード付きのPDFは、PDFビューアでパスワードを外して別のファイルとして保存し、そのファイルをここで開いてください。
  • Wordやメモアプリで文字を使うなら、ページの区切りをオフにして貼り付けてください。

文字を読み取るしくみ

文字情報とスキャン

多くのPDFは、単語をページ上の位置と一緒に文字として保存していて、これを文字情報(テキストレイヤー)と呼びます。このツールはFirefoxブラウザが使っているPDFライブラリのpdf.jsで、その情報をページごとに読み取るので、結果はファイルに書かれた文字そのものです。スキャンしたPDFには文字情報がなく、ページごとの画像だけがあります。そうしたページは200dpiで描画し、ブラウザ内で動くオープンソースのOCRエンジンTesseractで読み取ります。「画像から文字起こし」と同じエンジンです。

よくある質問

ファイルはサーバーにアップロードされますか?

いいえ。文字認識エンジンはこのブラウザのタブの中でWebAssemblyとして動きます。エンジンのプログラムも言語データも他社のサーバーではなくhanji.page自身から配信され、開いた画像やPDFがどこかに送られることはありません。一度使うと言語データが端末に保存されるので、ページを読み込んだあとは機内モードにしても動き続けます。

なぜ文字のないページがあるのですか?

PDFは、ページを文字として持つことも、ページの写真として持つこともできます。WordやWebページから保存した文書は文字が残っています。複合機やスキャンアプリで取り込んだPDFや、スマホの写真から作ったPDFは画像だけを持つので、コピーできる文字がありません。このツールはそうしたページをお知らせし、OCRで画像として読み取れるようにします。スキャンアプリの中には、自前の認識で見えない文字情報を加えるものもあり、そのページは文字のあるページとして数えられます。

スキャンしたページはどのくらい正確に読めますか?

スキャンしたページは200dpiで描画し、「画像から文字起こし」と同じエンジンで読み取るため、限界も同じです。きれいな印刷文字はよく読めますが、手書き・表・薄いコピー・極小の文字では誤りが出ます。測定した精度と1ページあたりの時間は、上の項目にあります。数字・名前・日付は必ず元のページと見比べてください。

抽出した文字が文字化けしたり、変な記号になったりします。なぜですか?

一部のPDF(主に古い日本語・韓国語の文書や、デザインソフトから書き出したファイル)は、文字を独自のコードで保存していて、Unicodeとの対応表を持っていません。ビューアでは正しく表示されても、コピーすると違う文字になり、このツールでも同じです。「すべてのページを画像として読み取る」をオンにしてください。ページを描画してOCRで読み取るので、壊れた文字情報は無視されます。

レイアウト・表・画像は保持されますか?

いいえ。結果はプレーンテキストで、画像は含まれません。文字はファイルに保存された順に出てくるので、見出し・段組み・表・ヘッダーとフッターは、ページ上の位置ではなく順番に並びます。ページを画像として取り出したい場合は「PDFをJPGに変換」をお使いください。

ページ数の上限はありますか?

決まった上限はありません。文字はファイルからページごとに取り出すので、数百ページでも速く済みます。スキャンしたページをOCRで読み取ると1ページあたり数秒かかり、長いスキャンは数分かかってメモリも多く使います。スマホが重いときは分割して処理してください。

あわせて読みたいガイド

関連ツール