PDF からのテキスト抽出

機能

• ページ単位で抽出。範囲指定も可能
• 座標から行を復元：y が近いものを同じ行、行内は x 順
• 日本語が 1 文字ごとに空白で区切られません
• ページ区切りを挿入可能（原本と照合しやすくなります）
• 進捗表示付き（長い文書でも何ページ目か分かります）
• ページごとのレポート：各ページの文字数と、文字を取得できないページ番号の一覧
• スキャン・空白のみ・ヘッダー／フッターだけのページを区別（無駄な OCR を防ぎます）
• 結果はプレーンテキスト。コピーまたは .txt として保存できます
• ファイルは送信されず、サーバーも経由しません

使い方

1. PDF をドロップします
2. 必要な場合はページ範囲を入力します
3. テキストが下に表示されます（長い場合は「コピー」かダウンロードで取得）
4. もう 1 枚はページごとのレポート：どのページに文字がないかが分かり、OCR に回すページを判断できます
5. スキャンの場合は先に OCR ツールをお使いください

よくある質問

スキャンから文字が抽出できないのはなぜですか？

スキャンはページ全体が 1 枚の画像で、抽出できるテキストデータが存在しないためです。文字はファイルに「書かれている」のではなく、画素に「描かれている」のです。文字を得るには OCR（光学文字認識）が必要で、それは別種のツールです。まず本サイトの「PDF を画像に」でページを書き出し、任意の OCR サービスに渡してください。見分け方は簡単です。PDF ビューアで文字を選択できるなら抽出可能、できないならスキャンです。

段落が乱れる／左右の段が混ざるのはなぜですか？

多段組に固有の問題です。基準は座標で、左右の段は同じ行で y が同じ・x だけが異なるため、y で行を分けると 1 行として読まれます。1 段組（契約書・論文・通知）は影響を受けません。またヘッダー・フッター・脚注も本文に混ざります。同じ理由で、位置はあっても意味がないためで、どの抽出ツールでも避けられません（扱い方が違うだけです）。

文字の順序が見た目と合わないのはなぜですか？

抽出は座標順に行われ、元の記述順と視覚的な順序は一致するとは限りません。例えばレイアウトソフトでは見出しを本文の後に追加することがあり（オブジェクト順は後ろでも、位置は上になります）、その場合でも本ツールは y で上から下、x で左から右に並べ直すため通常は見た目と一致しますが、全幅の見出しや側注などでは乱れることがあります。正確なレイアウトが必要な場合は原本と照合してください。

ファイルは送信されますか？

いいえ。抽出はブラウザ内の pdf.js（Web Worker 上）で行われ、通信は一切発生しません。オフラインでも使えます。契約書や報告書は第三者のサーバーを通すべきではありません。