PDF テキスト変換
PDF のテキストレイヤーをブラウザで UTF-8 の .txt に抽出。Unicode フォントマッピングと一括処理に対応。アップロード不要、OCR なし。
入力内容とファイルはブラウザ内に留まります
PDFをアップロード
またはデバイスからファイルを選択
処理するファイル
このページの内容
PDF ファイルのテキストレイヤーをブラウザで UTF-8 のプレーンな .txt ファイルに抽出します。検索、差分比較、スクリプトへの入力などに使えます。アップロードはされず、OCR も使いません。
詳細な機能
抽出ツールは各ページのテキスト描画命令を読み取り、フォントの ToUnicode マップ、埋め込み TrueType の cmap、または WinAnsi エンコーディングで文字をデコードします。そのため PDF にマッピングがあれば、キリル文字などラテン文字以外のテキストも正しく取り出せます。PDF が次の行へ移るところで改行され、ページの間には空行が入ります。
スキャンした PDF は画像しか含まず、OCR がないためテキストは空になります。段組みや表は、ファイル内にテキストが格納されている順に平坦化され、単語間のスペースは PDF の作成方法によって変わります。パスワード保護された PDF は、わかりやすいメッセージとともに拒否されます。
複数の PDF をまとめて追加できます。Web Worker 内で 1 つずつ処理され、進行状況バーが表示されます。キャンセル ですぐに中止でき、完了した行には TXT をダウンロード が表示されて <name>.txt を保存できます。
実用例
2 ページの文書: ページに「Second doc page A」と「Second doc page B」と書かれた PDF からは、Second doc page A、空行、Second doc page B が得られます。
大きなファイル: 2,500 ページ・5.44 MB の PDF から 36 KB の big.txt が作られ、その間もページは固まりません。
スキャンした契約書: ページ画像でできた PDF からは空の .txt が出力されます。先に別のツールで OCR をかけてください。
パスワード保護されたファイル: 「locked.pdf: この PDF はパスワードで保護されているため処理できません。」と表示され、一括処理の他のファイルは引き続き抽出されます。
このツールの使い方
PDF ファイルを追加する
ファイルを選択 をクリックするか、1 つ以上の PDF を PDFをアップロード にドロップします。ファイルは 処理するファイル に表示されます。
抽出する
テキストを抽出 をクリックします。進行状況バーに処理中のファイルが表示され、キャンセル で一括処理を止められます。
テキストをダウンロードする
行の TXT をダウンロード をクリックして
<name>.txt（UTF-8）を保存します。
ヒントとベストプラクティス
- 結果が空なら、その PDF はおそらくスキャンです。抽出できるテキストレイヤーがありません。
- 文字化けする場合、PDF のフォントに使える Unicode マッピングがありません。PDF ビューアーからコピーしても、たいてい同じように失敗します。
- 表や段組みは格納順に出力されるため、スクリプトでテキストを解析する前に行の順序を確認してください。
- もう一度 テキストを抽出 をクリックしても抽出済みのファイルはスキップされるので、同じ一覧にファイルを追加できます。