PDFからテキストを抽出する方法
- 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。
- 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。
- 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。
- 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。
- 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
- 写真の文字起こしが間違う理由と、精度を上げる方法文字の大きさ、ぼけ、傾き、影、JPG画質、言語の選び方が文字認識の精度に与える影響を、Hanjiと同じエンジンで実測して表にまとめました。
関連ツール
不具合を見つけたとき、このツールにほしい機能があるときは、Hanjiを運営するLeoにお知らせください。 ご意見を送る