PDF のページは描画命令の並びであり、そこに見える語句はたいてい画像ではなく本物のテキストオブジェクトです。このページはそのオブジェクトを直接読み取るので、検索も引用も編集もできる文字が手に入り、しかもファイルはあなたの端末から出ません。

使い方

1. 1 PDF を枠にドロップするか、枠をクリックしてファイルを選びます。
2. 2 一部だけ必要ならページ範囲を指定し、改行を残すかどうかを選びます。
3. 3 「テキストを抽出」を押し、結果をコピーするか .txt ファイルとして保存します。

抽出と OCR は別物

PDF がワープロや請求書システムから出たものなら、文字はすでに内部にあり、読み出しは正確です。スキャナーやスマートフォンのカメラから来たものなら、そのページは写真にすぎず読み取る文字はありません。その文字を認識するのは光学文字認識であり、別の、そしてはるかに不確かな作業です。このツールは空欄を返す代わりに、どちらの状況かを伝えます。

改行はどこから来るのか

PDF は行や段落を保持せず、座標に置かれた文字だけを持ちます。読み取り側は同じ高さにある断片を1行にまとめ、高さが変われば次の行にします。通常の文書ではうまくいきますが、多段組みでは不完全で、ページの2つの段が入り混じることがあります。

ページの選び方

範囲欄は単独ページと範囲をカンマ区切りで受け付けます。重複は取り除かれ、ページは順番に読まれるので、順不同に書いても問題ありません。範囲外の数字は黙って無視されず拒否されます。こっそり飛ばされたページは、あなたが気付かない欠落そのものだからです。

1-5        → 1, 2, 3, 4, 5
2, 7, 9    → 2, 7, 9
1-3, 10    → 1, 2, 3, 10
(bos)      → すべてのページ

書式についてのひとこと

出力は書式のない文字なので、太字や見出し、表、画像は残りません。表はセルの区切りが失われた語の並びになります。レイアウトを保ちたいなら文書形式への変換が適切ですし、ページを画像として欲しいだけなら PDF から JPG、PDF から PNG のページがその役目を果たします。