PDFからテキストを抽出する理由
PDFビューアからテキストをコピーすると、文の途中で改行されたり、段組みが混ざったりしてうまくいかないことがよくあります。50ページ分を手作業で選択するのも大変です。このツールなら、ドキュメント全体のテキストを一度に読み取り、きれいなプレーンテキストにできます。メールや翻訳ツールへの貼り付け、レポートの引用、別のプログラムへのテキスト入力、文字数・単語数のカウント、検索できるテキストコピーの保管などにご利用ください。
3つのテキストモード
- 行：ページ上の表示のとおり、1行ずつテキストを出力します。リスト、住所、短い文書に適しています。
- 段落：つながっている行を段落にまとめ、行末でハイフンにより分割された単語も可能な限り元に戻します。ワープロや翻訳ツールに貼り付けたい記事、書籍、レポートに最適です。
- レイアウト：スペースを加えてページ上のテキスト位置を保つため、等幅フォントで表や段組みがおおよそ揃った状態になります。請求書、明細書、フォームに便利です。
モードを変更するとプレビューが更新され、文字数と単語数も表示されます。
ファイルのオプション
- ページ区切り：----- Page 3 ----- のような区切り行、空行、または一部のプログラムで改ページとして使われる改ページ文字から選べます。
- 改行コード：メモ帳や多くのWindowsプログラム向けのWindows形式（CRLF）、macOS、Linux、コードエディタ向けのUnix形式（LF）があります。
- BOM：ファイルの先頭にマークを追加し、古いWindowsプログラムが中国語やロシア語などのUTF-8テキストを正しく認識できるようにします。
- ページごとに1ファイル：各ページを個別のTXTファイルにして、すべて1つのZIPにまとめます。
スキャンしたPDFの場合
スキャンしたPDFにはページの画像しか含まれていないため、抽出できるテキストがありません。このツールはテキストのないページを検出してお知らせします。ワンクリックでOCR PDFに送ると、テキストを認識してそのままTXTファイルとして取得できます。テキストの抽出自体はブラウザ上で行われ、ファイルはアップロードされません。OCRはサーバー上で処理されます。
プレーンテキストでは保持できないもの
プレーンテキストには、フォント、太字、画像、表がありません。書式を残したい場合はPDFをWordに変換で編集可能な文書に変換し、表をスプレッドシートにしたい場合はPDFをExcelに変換をご利用ください。また、特殊なフォントエンコードでテキストが保存されているPDFでは、抽出したテキストが文字化けすることがあります。その場合はOCRを使うと、より良い結果が得られることが多いです。