PDFテキスト抽出: 行ごとに途切れた文章を、そのまま使える原稿にします
PDFのテキスト抽出とは、PDFの中にある文字を取り出して、メモ帳やWord、Excelに貼り付けられる文章にする作業です。PDFビューアーからそのままコピーすると、画面上の行末ごとに改行が入り、ヘッダーやページ番号まで本文の間に混ざります。このツールは全ページの文字を読み取ったうえで、同じ段落に属する行をつなぎ、ページごとに繰り返されるヘッダーとページ番号を除いて「原稿」を作ります。文字情報のないスキャンページは、ブラウザー内のOCRで読み取ります。
たとえば[サンプルを開く]を押すと、架空の公園利用調査レポート4ページを読み取ります。通常設定の原稿は427文字(空白を除く)、11段落で、段落内の改行8か所をつなぎ、ヘッダー3行とページ番号3行を除きます。4ページ目はスキャンした画像なのでページマップには斜線のバーで表示され、[1ページをOCRで読む]を押すとそのページの文章が加わって、524文字、13段落、つないだ改行10か所、除いた行7行になります。ファイルも結果もサーバーには送らず、すべてこのブラウザー内で処理します。
PDFから文字を取り出す場面
- 報告書や論文を引用・要約するとき: 必要なページだけを範囲で選んで段落ごとコピーできるので、改行を1つずつ消す手間がありません。
- 届いた通知や契約書を直して使うとき: 元のPDFの代わりに原稿をWordやメールに貼り付けて直します。原稿欄でそのまま直してからコピーすることもできます。
- スキャンした書類から文字を探すとき: コピーできないスキャンPDFも、OCRで読み取れば文字を検索したり翻訳に入れたりできます。
- 文字数を数えたり、別のツールに渡したりするとき: 原稿をTXTで保存するかコピーして、文字数カウントや校正、翻訳などの次の作業に回せます。
使い方
- PDFを作業エリアにドロップするか、[PDFを選ぶ]を押します。開くパスワード付きのPDFならパスワード欄が出ます。パスワードはこのブラウザー内でしか使いません。
- ページマップに、ページごとの文字数がバーの高さで表示されます。バーが高いほど文字の多いページで、斜線のバーは文字のないページです。
- 一部のページだけ必要なときは、「取り出すページ範囲」に2、4-6のように入力します。空欄なら全ページを取り出し、範囲外のページはマップで薄くなります。全角数字や「〜」「、」で入力しても読み取ります。
- 文字のないページがあれば[OCRで読む]を押します。文書の言語は1〜3つ選べて、初回だけエンジンと言語データを取得します。
- 原稿を確認して、[すべてコピー]、[nページをコピー]、[TXTで保存]のどれかを押します。原稿をスクロールすると右側の元ページが追従するので、2つを並べて見比べられます。
コピーすると行が途切れる理由と、つなぐ規則
PDFは段落ではなく「この文字をページのこの座標に描く」という命令で文章を保存しています。そのためビューアーは画面上の1行を1行としてコピーするだけで、どこまでが1段落かは教えてくれません。このツールは、行の位置と文字の大きさから段落を判断し直します。行と行の間隔がそのページの普段の行間の1.45倍を超えて空いたとき、文字の大きさが20%を超えて変わったとき(見出しと本文)、行が「・」「○」「①」「1.」などの箇条書きの記号で始まるときは、新しい段落とみなします。それ以外の行は、次の規則でつなぎます。
| PDFの2行 | 原稿 | 規則 |
|---|---|---|
| 調査員12人が2週間、/ 同じ時間帯に公園にいて | 2週間、同じ時間帯に公園にいて | 漢字・かなで終わる行、または始まる行は、空白を入れずにつなぎます(日本語は語の間に空白を置かないため) |
| 公園5か所の平日と週末の / 利用の様子を | 週末の利用の様子を | 数字や括弧が行末・行頭にあっても、隣が漢字・かななら空白なしでつなぎます |
| ヘソル区の公園 / Park Survey | ヘソル区の公園Park Survey | 日本語と英単語の境目も空白なしになります。英単語が続く箇所は、必要なら原稿欄で空白を足してください |
| park usage / survey | park usage survey | 英数字どうしの行は、空白を1つ入れてつなぎます |
| well- / known | well-known | 文字と文字の間のハイフン(-)は残してつなぎます(消すと、もともとハイフンのある語が壊れるため) |
| exam(ソフトハイフン U+00AD) / ple | example | 組版ソフトが入れたソフトハイフンは、消してつなぎます |
| …数えました。/ ・調査期間：2026年9月1日から… | (新しい段落) | 箇条書きの記号で始まる行は、新しい段落です |
元ページの図には、取り出した行ごとに薄い枠が、1つの段落につないだ行の左側にはかっこが描かれます。改行をPDFのままにしたいときは[PDFの行のまま]を押してください。表や詩のように行そのものに意味のある文章は、そちらのほうが向いています。全角と半角はPDFに入っているとおりに取り出し、変換はしません。「ＡＢＣ」や「１２３」が全角で入っているPDFは、原稿でも全角です。揃えたいときは、貼り付け先の置換機能を使ってください。
文字が出ない・文字化けするPDF
PDFから文字がコピーできない理由は、おもに3つです。ページマップのバーの形を見れば、どれに当たるかがすぐにわかります。
| 症状 | 原因 | ページマップ | 対処 |
|---|---|---|---|
| 文字がまったく出ない | 紙をスキャンしたり写真に撮ったりして作ったページで、文字情報がなく画像だけがある | 斜線のバー | [OCRで読む] |
| �や見知らぬ記号が出る | フォントに文字の対応表(ToUnicode)がなく、形は見えても何の文字かわからない(ISO 32000-1 9.10.2) | 枠線のバー(文字化けの疑い) | [OCRで読む]または[このページをOCR] |
| 開いた時点で拒否される | 作成者が「内容のコピー・抽出」の許可(表22 ビット5)をオフにしている | 表示なし | 権限パスワードがあれば、PDFパスワード解除で制限を外したコピーを作ってから入れる |
コピー禁止の制限は作成者が決めた利用条件なので、このツールは開くパスワードで開いた場合でもその制限に従い、OCRで回避することもしません。文字化けの疑いは、文字の20%を超えて代替文字(�)や私用領域の文字になっているときに表示します。それより少ない崩れや、別の文字に置き換わって出てくるページは自動では見つからないので、原稿と元ページを見比べて、怪しければ[このページをOCR]を押してください。
OCRで読む方法と精度
OCRはTesseract.js(Tesseractのブラウザー版)を使い、お使いの端末の中で実行します。ページをまず150 dpi相当で描いて読み取り、行の高さが22ピクセルより小さいとき(脚注のような小さい文字)は、行の高さが30ピクセルほどになるように最大300 dpi相当まで拡大してもう一度読み、文字数で重みづけした信頼度が高いほうの結果を使います。Tesseractの説明書は300 dpi以上の画像を推奨していますが、すでに画像として保存されたスキャンを元の解像度より拡大しても、文字がくっきりするわけではありません。実際にサンプル報告書のスキャンページ(200 dpi)を日本語+英語で読んだところ、150 dpi相当では数字も設備名も正しく読めましたが、200 dpi相当では「運動器具」が「EERE」と読まれました。解像度を上げれば精度が上がるとは限らないので、結果は必ず元のページと照らし合わせてください。
- 言語: 한국어・English・日本語・Español・Indonesiaのうち、文書で使われている言語を1〜3つ選びます。日本語の文書に英単語や略語が混ざるなら「日本語 + English」が合います。使っていない言語を足すと、かえって誤読が増えることがあります。
- 初回のみ取得するデータ: エンジンが約4.1 MBと、言語ごとに1.2〜3.0 MB(日本語は2.0 MB、英語は3.0 MB)です。取得したデータはブラウザーが保管するので、次回からはすぐに読み取れます。
- 日本語OCRの空白: OCRは日本語の文字の間に空白を入れて読むことがあります。このツールは、漢字・かな同士や、それらと数字・括弧・%の間にできた空白を詰めて、原稿に反映します。
- 表示: OCRで読んだページはページマップで点模様のバー、原稿では「[nページ · OCR]」と表示され、行の枠は青で描かれるため、PDFにもともとあった文字と区別できます。
- 精度を上げるには: スキャンするときは200〜300 dpi、白黒またはグレースケールで、紙をまっすぐ置いてください。手書き、斜めに撮った写真、模様のある背景は誤読が増えます。
ヘッダー・ページ番号を除く基準
[ヘッダー・ページ番号を除く]をオンにすると、行が3つ以上あるページが3ページ以上あるときに、各ページの一番上と一番下の行(行が5つ以上なら上2行・下2行)を比べます。その行が比べたページの60%以上(最低3ページ)に出てくれば除きます。比べるのは文字だけで、句読点・記号・空白は無視します。OCRで読んだページは中黒(・)や空白を少し違えて読むことが多いためです。数字を含む行は、数字までどのページでも同じとき(「2026年度 年次報告書」)か、「- 1 -」「- 2 -」や「Page 1 of 10」のように、数字が1つずつページごとに増えるページ番号の形のときだけ同じ行とみなします。そのため、各ページの下にある「小計 57,300円」や日付で始まる明細の行は除きません。
除いた行は、元ページの図に赤い斜線で表示されます。章ごとに題名が変わるヘッダーや、2ページしかない文書のヘッダーは基準に当たらず残ります。その行は原稿から直接消してください。
TXTで保存すると
[TXTで保存]は、原稿欄にいま見えている文章(編集した内容を含む)を「元のファイル名_text.txt」で保存します。文字コードはUTF-8で、先頭にBOM(EF BB BF)を付け、改行はCRLFにします。BOMがあれば、メモ帳やExcelがUTF-8のファイルだとすぐに判別するので、日本語が文字化けしません。結果の文章はUnicodeのNFCに正規化するため、「が」を「か」と濁点に分けた形(結合文字)で入っているPDFでも1文字の「が」に合成され、fiのような合字はfiの2文字になります。
表・段組み・縦書きの文書
このツールは、PDFに文字が保存された順に行を読みます。WordやLaTeXで作った2段組みの論文は、たいてい左の段を書き終えてから右の段を書くので、順番どおりに出てきます。いっぽうデザインソフトで作ったチラシや雑誌は、テキストボックスを作った順に保存されているため、順序が入れ替わることがあります。表は、セルの区切りなしに1行分が空白でつながって出るか、セルごとに行が分かれて出てくるので、表をExcelに移したいなら、[PDFの行のまま]で取り出してから自分で区切るほうが早いです。縦書きのページは、文字は取り出せますが、行の判定が横書きの並びを前提にしているため、行のつなぎや段落の区切りは横書きほど正確になりません。縦書きの文書は[PDFの行のまま]で取り出し、原稿欄で整えてください。
制限と注意
- 一度に読めるのはPDF 1つ、100 MB・500ページまでです。それより長い文書は、PDF分割で分けてから入れてください。
- 取り出すのは文字だけです。太字・斜体などの書式、表の構造、画像、リンクのアドレスは原稿に入りません。
- メモ・注釈や、フォームの欄に入力した値は、ページの内容ではなく別の注釈として保存されているので取り出しません。
- OCRの結果には誤読が含まれることがあります。数字・名前・金額は、必ず元のページと照らし合わせてください。手書きの文字はほとんど読めません。
- 作成者がコピーを禁止しているPDFは、文字を取り出しません。開くパスワードがわからないPDFは開けません。
- 全角と半角は、PDFに入っているとおりに取り出します。原稿欄でそろえる場合は、手作業で直してください。
確認日 PDFの規格、pdf.js・Tesseractの説明書、サンプルの測定結果は2026-10-21に確認しました。
出典
- 01ISO 32000-1:2008 Document management — Portable document format (Adobe公開コピー)9.10 文字の抽出と、9.10.2 文字コードをUnicodeに変換する方法(ToUnicode)、表22 アクセス許可のビット5(内容のコピー・抽出)とビット10(アクセシビリティ支援用の抽出)
- 02pdf.js API — PDFPageProxyページの文字項目と位置を読むgetTextContent。このツールはpdf.js 3.11.174(Apache-2.0ライセンス)で文字を読み、ページを描画します
- 03Tesseract documentation — Improving the quality of the output300 dpi以上の画像を推奨。サイズ調整・余白・傾きなど、OCRの品質に関わる要因
- 04Tesseract.jsブラウザー内でTesseract OCRを実行するライブラリ。このツールは7.0.0版と、kor・eng・jpn・spa・indの言語データを使用(Apache-2.0ライセンス)
- 05Unicode Standard Annex #15 — Unicode Normalization Forms分解された文字(濁点・アクセントなど)を合成するNFC正規化
よくある質問
スキャンしたPDFからも文字を取り出せますか?
取り出せます。スキャンしたページは画像だけで文字情報がないため、ページマップに斜線のバーで表示されます。[OCRで読む]を押して文書の言語を選ぶと、ブラウザー内で文字を読み取り、そのページは原稿に「[nページ · OCR]」と表示されます。OCRの結果には誤読が含まれることがあるので、数字や名前は元のページと照らし合わせてください。
PDFからコピーすると行ごとに途切れますが、まとめてつなげられますか?
つなげられます。通常設定の[段落につなぐ]が、行間と文字の大きさから段落を判断し直し、同じ段落の行を、漢字・かなどうしなら空白なしで、英数字どうしなら空白1つでつなぎます。改行をPDFのままにしたいときは[PDFの行のまま]を押してください。
PDFの文字がコピーできないのはなぜですか?
たいていは次の3つのどれかです。スキャンした画像で文字情報がない、フォントに文字の対応表(ToUnicode)がなく形だけで何の文字かわからない、作成者が内容のコピーを禁止している、のいずれかです。前の2つはOCRで読み取れます。コピー禁止の制限は、権限パスワードで制限を外したコピーからしか取り出せません。
パスワード付きのPDFからも文字を取り出せますか?
開くパスワードがわかっていれば取り出せます。PDFを入れるとパスワード欄が出て、パスワードはこのブラウザー内でしか使いません。ただし、作成者が内容のコピーを禁止しているPDFは、開くパスワードで開いても文字を取り出しません。権限パスワードを使ってPDFパスワード解除で制限を外したコピーを作ってから入れてください。
保存したTXTをメモ帳やExcelで開くと文字化けしますか?
文字化けしません。TXTはUTF-8で保存し、先頭にBOMを付けるので、メモ帳やExcelが文字コードをすぐに判別します。改行もWindows形式(CRLF)で保存します。
PDFの全角と半角はどうなりますか?
PDFに入っているとおりに取り出し、全角と半角の変換はしません。「ＡＢＣ」や「１２３」が全角で入っていれば、原稿でも全角のままです。ページ範囲の入力だけは、全角数字や「〜」「、」でも読み取ります。
表や2段組みの論文、縦書きの文書は順番どおりに出ますか?
PDFに文字が保存された順に出ます。WordやLaTeXで作った2段組みの論文はたいてい左の段、右の段の順ですが、デザインソフトで作った文書は順序が入れ替わることがあります。表はセルの区切りなしで出るので、[PDFの行のまま]で取り出してから区切るほうが早いです。縦書きは文字は出ますが、行のつなぎや段落の区切りが横書きほど正確になりません。
ファイルはサーバーにアップロードされますか?
アップロードされません。PDFを読み取って文字を取り出す処理もOCRも、すべてこのブラウザー内で行います。OCRを初めて使うときにエンジンと言語データを取得するだけで、ファイルの内容や原稿はどこにも送りません。