PDF テキスト抽出

使い方

1. カードに PDF を1つドロップするか、⌘V / Ctrl+V で貼り付けるか、「PDF を選択」を押してください。テキストは結果ボックスにページごとに表示されます。「抽出」ボタンはありません。選択したすべてのページが完了してステータスが緑になると、コピーとダウンロードが有効になります。
2. 既定では PDF の各行がそのまま行として残り、段落は空行で区切られます。「行を段落にまとめる」にチェックすると、折り返された行を結合します。行末のハイフンは削除され、中国語と日本語の行はスペースなしで結合され、その他の行は1つのスペースで結合されます。オプションを切り替えると、PDF を再度読み込むことなくテキストが即座に再配置されます。
3. 「1-3, 5」のようにページを入力すると、そのページだけを入力した順序で保持します。同じページを2回書いても1回だけ表示されます。カンマ、中国語の列挙記号、アラビア語のカンマのほか、アラビア・インド数字、東アラビア数字、全角数字も使用できます。すべてのページにする場合は空欄にしてください。「--- 3 / 12 ---」のようなページマーカーは元のページ番号を示し、オフにすることもできます。
4. PDF にパスワードが必要な場合は、表示される行に入力して Enter を押してください。パスワードはこのタブ内でファイルを開くためにのみ使用されます。

ルール、制限、既知の問題

• 何もアップロードされません。PDF は File API で読み込まれ、このタブ内の Web Worker で解析されます。ネットワークリクエストはこのサイト自身のファイルのみです。最初のファイルを追加したときの PDF エンジンとワーカー、一部の中国語・日本語・韓国語 PDF 用の文字マップ、要求したときのサンプルです。何も保存されず、再読み込みすると空の状態から始まります。
• OCR は行いません。スキャン文書、スクリーンショットから作成した PDF、画像内のテキストは抽出できません。そのようなページはテキストレイヤーがないものとして報告されます。
• 読み取り順は PDF の内部構造に従います。段組み、表、ヘッダー、フッター、脚注が混ざったり、見た目と異なる順序で出力されたりすることがあります。レイアウト解析は行いません。
• 表はセルのテキストのみとして出力されます。列の整列は失われ、同じ行のセルがつながってしまうことがあります。
• 行を段落にまとめる処理は、行間、フォントサイズ、行末のハイフンに基づくヒューリスティックです。複合語に本来属するハイフンが行末にあると削除されることがあり、見出しが下のテキストと結合されることもあります。
• フォントに Unicode マッピングがない場合、そのテキストは文字化けするか空になります。これは PDF の性質であり、PDF リーダーからコピーしても同じように失敗することがほとんどです。
• アラビア語の合字: 一部の PDF 生成ツール（特定の macOS システムフォントなど）は1つの合字グリフを複数の文字にマッピングするため、その中の文字が逆順に出力されることがあります（لا が ال になる）。このツールは修正を推測しないため、正しいテキストが変更されることはありません。
• 縦書きテキストは PDF の内部順序で出力されます。縦書きの読み取り順は保証されません。
• 作成者がコピーを制限している場合でも、ツールはテキストを抽出し、注意を表示します。使用する権利があることを確認してください。
• パスワード: 開くための（ユーザー）パスワードのみをサポートします。このタブ内で文書を開くために使用され、保存されることはなく、PDF の暗号化も解除されません。
• 制限: 一度に PDF 1つ、50 MB、2,000 ページ。より大きなファイルは実際のサイズまたはページ数とともに拒否されます。20 MB または 300 ページを超えるファイルでは「時間がかかる場合があります」というヒントが表示されます。
• 文字数は書記素を数え、ページマーカーと改行は除外します。中国語やアラビア語の単語数はありません。詳細な統計が必要な場合は、結果を文字数・単語数カウントに貼り付けてください。