PDF をテキストに変換すると、レイアウト、フォント、画像を除いた言葉だけが、どこでも開ける .txt ファイルになります。長い文書を検索したり、引用したり、ほかのプログラムに読み込ませたりするのにいちばん手早い方法です。ここではブラウザ内で動くので、文書がアップロードされることはありません。
複数の PDF から文字を抽出
報告書、記事、明細などをフォルダーごと追加しましょう。各 PDF が同じ名前の .txt ファイルになり、まとめて ZIP で保存されます。文字は各ページの読む順番どおりにページを追って並び、UTF-8 なので、アクセント記号やラテン文字以外の文字も正しく出力されます。
スキャンした PDF には OCR が必要
このツールは PDF の中に保存されている文字を読み取ります。スキャンや PDF で保存した写真には文字の画像しか入っていないので、結果は空になります。簡単な見分け方: PDF ビューアーで言葉を選択できなければ、PDF の OCR を使ってください。文字を認識し、テキストファイルも作れます。
一部の PDF で文字がコピーできない理由
PDF ビューアーからコピーすると、文の途中で改行が入ったり、段組みが混ざったり、ヘッダーやページ番号まで拾ったりしがちです。権限パスワードでコピーを禁止している PDF もあり、それは先に PDF のロック解除 で開けます。また、正しい文字対応表を持たないフォントで文字が描かれているファイルもまれにあり、抽出した文字が意味不明な記号の羅列になります。そうしたファイルは OCR にかけると読める文字になります。
しくみ
文字の抽出には、ブラウザ内で動く PDF エンジン MuPDF を使います。各ページに保存された文字をその位置とともに読み取り、読む順番に並べて、プレーンテキストとして書き出します。初回はエンジン (約 39 MB) がダウンロードされ、ブラウザに保存されます。ファイルがどこかに送られることはありません。
主な使い道と、うまくいかない場合
長い報告書の検索や引用、研究やメモのための文字の収集、契約書をメールに貼り付ける、翻訳ツールや AI ツールへの文書の取り込み、プレーンテキストでの保管。
- 書式は保たれません。太字、表、画像はなくなります。書式が必要なら PDF をワードに を使ってください。
- スキャンからは文字が取れません。OCR が必要です。
- 表や段組みのページなど、複雑なレイアウト は思わぬ順番で出力されることがあります。