PDFをテキストに変換
メールへの貼り付けや検索、文字数のカウント、翻訳に使えるよう、PDFの文字をテキストファイルに書き出します。フォントやレイアウト、画像は含まれず、文字はページの上から下の順に並びます。
テキストに変換するPDFファイルを1つ入れてください。
またはここにファイルをドロップ
PDFはこのブラウザのタブの中で処理され、アップロードされることはありません。
使い方
- 対象のPDFを「ファイルを選ぶ」ボタンで選ぶか、ページへドラッグして追加します。
- 文書の一部だけ取り出すなら、「変換するページ」を「ページ範囲」にして、2, 5-7 のようにページを入力します。
- スキャンのページが含まれるときは、言語を「スキャンページの文字認識の言語」の欄で選びます。すでにテキスト情報を持つページは、そのまま読み取られます。
- 「テキストに変換」ボタンで変換し、「ダウンロード」でPDFと同じ名前の.txtファイルを保存します。
- 保存したファイルは、どのテキストエディターでも開けます。内容は、必要な場所にそのまま貼り付けてください。
主な機能
途切れた行ではなく段落で
近い間隔で同じ大きさに並んだ行は1つの段落につなぎ、行末のハイフンで分かれた単語も元に戻します。段落と段落の間には空行が入ります。箇条書きの記号や番号で始まる項目は、それぞれ独立した段落になります。
表はタブ区切りの行に
表の1行は、セルの間にタブを入れた1行の文字になります。表計算ソフトに貼り付けると、1つ1つがそれぞれのセルに入ります。
ページの区切り行
複数のページを変換すると、各ページの先頭に、PDFでのページ番号を示す区切り行（— 3ページ —など）が入ります。引用した文がどのページのものか、あとでたどれます。1ページだけのときは区切り行は入りません。
スキャンはOCRで読み取り
テキスト情報を持たないページには、選んだ言語でOCR（文字認識）をかけます。選べる言語は英語・韓国語・日本語・ドイツ語・フランス語・スペイン語・ポルトガル語です。OCRで読んだページ数が表示されるので、そのページは校正の対象にしてください。
文字化けしにくいUTF-8
ファイルはUTF-8で、先頭にバイトオーダーマークが付きます。これにより、古いWindowsのアプリでも、アクセント記号つきの文字や韓国語、日本語を最初から正しく認識できます。ほかのアプリで文字コードの選択を求められたら、UTF-8にします。
ファイルは端末の外に出ない
契約書や手紙、記録類の内容はブラウザの中で読み取られます。PDFはアップロードされず、変更されることもありません。
知っておくと便利なこと
テキストは最もシンプルな形式で、どの端末のどのアプリでも開けます。PDFから文字を取り出す目的はさまざまです。メールで一節を引用する、翻訳にかける、文字数の上限に合わせて数える、契約書の2つの版を比べる、検索できる資料の保管庫を作る、PDFを読めないソフトに内容を渡す、といった使い方があります。
結果はPDFの作られ方で変わります。ワープロソフトから書き出したファイルには、きれいなテキスト情報があります。一方、Webページや古いシステムから印刷してできたPDFには、字形と本来の文字との対応が失われたフォントが使われていることがあり、その場合は出力に見慣れない記号が混ざります。そうしたページは、PDF OCR(文字認識)なら画像から読み取れます。
2段組みのように文字が横に並ぶページは、左右をまとめて横方向に読み取るため、2つの段が1行に並び、タブで区切られて出力されることがあります。見出し、太字、斜体、フォント、画像は記録されず、見出しも普通の1行として扱われます。見出しや表を編集できる文字として残したいなら、「PDF Word 変換」が向いています。PDF OCR(文字認識)なら、各ページの横に文字を表示するので、その場で直して保存できます。
よくある質問
ファイルを保存せずに、文字をコピーできますか？
このツールは文字を画面に表示せず、.txtファイルとして保存します。PDF OCR(文字認識)なら、各ページを文字と並べて表示し、全文をコピーするボタンもあります。
文字の中に見慣れない記号が混ざるのはなぜですか？
字形を本来の文字へ戻すための対応表が、PDFのフォントから使えないためです。ブラウザからPDFに印刷したファイルでよく起こります。PDF OCR(文字認識)でそのPDFを開き、テキスト情報があるページでも画像から認識するよう指定すると、壊れたテキスト情報の代わりに画像から文字を読み取れます。
2段組みのページの文字が混ざってしまうのはなぜですか？
行はページを横一直線に読み取るため、2段組みの文章は、左側と右側の文字が1行にまとまり、タブで区切られて出力されます。表計算ソフトに貼り付けると、2つの段が別々のセルに入るので、片方ずつコピーして順に並べ直せます。
スキャンだけでできたPDFからも、文字を取り出せますか？
取り出せます。「スキャンページの文字認識の言語」で文書の言語を選んでから変換してください。数文字を読み違える場合があるので、氏名や数字はひととおり確認します。
ファイルの文字コードは何ですか？
先頭にバイトオーダーマークが付いたUTF-8です。Windows標準のメモ帳でも認識されます。ほかのアプリで文字が崩れて見えるときは、ファイルを開き直して文字コードにUTF-8を選んでください。
見出し、太字、画像は残りますか？
残りません。ファイルに入るのは文字だけで、見出しも普通の1行として出ます。見出しや表を編集できる文字として残したいときは「PDF Word 変換」、ページを画像にしたいときは「PDF JPG 変換」を使います。