PDF to Text

文字が崩れて出力されたとき

抽出でテキストは返されても、内容が間違っていることがあります。無関係な記号や四角、アルファベット順にずれた文字などです。これは、PDFのフォントにグリフを実際の文字へ対応付ける情報がない場合に起こります。一部のデザインソフトや印刷ソフトがその情報を省くためです。ページが正しく見えるのは図形として描画されるからで、内部の文字は表示されている文字と一致しません。そのファイルはスキャンとして扱い、スキャンPDFをテキストに変換してください。

比較的軽い異常には、より単純な原因があります。fiやflが1つの合字文字に結合されていたり、PDFが各文字を個別に配置するために単語が2つに分かれていたりします。

抽出したテキストを整える

印刷された行は別々の行として出力されるため、段落は数語ごとに改行された状態になり、行末でハイフン区切りされた単語も分割されたままになります。ヘッダー、フッター、ページ番号も本文中にページごとに繰り返し現れます。引用や再利用の前にこれらを削除し、テキストを1つにつなげる場合はページラベルも削除してください。

文書の単語数や文字数を数えるには、整えたテキストを文字数カウンターに貼り付けてください。未加工の出力から直接数えると、すべてのヘッダーやラベルも含まれます。

使い方

1. PDFを選びます。
2. テキストを抽出します。
3. .txtファイルをダウンロードするか、コピーします。

プライバシーと制限事項

ファイルはブラウザ内で開いて書き換え、アップロードは一切行いません。これは、文書が契約書やスキャンなど、見知らぬ人に渡したくないものである場合に意味があります。スキャンされたPDFには抽出できるテキストが含まれていないため、空のファイルを返すのではなく、その旨を報告します。