PDFをテキストに変換

PDFから文字をコピーすると、行が変な場所で切れたり、ページごと抜け落ちたりすることがよくあります。この変換ツールは、各ページのテキストレイヤーを読み、読む順序に行を組み直して、コピーできるきれいなプレーンテキスト、または保存できる.txtファイルにします。テキストレイヤーのないスキャンページは、光学文字認識（OCR）で読み取れます。すべてブラウザ内で動作するため、契約書やレポートがアップロードされることはありません。

使い方

1. PDFファイルを1つ以上選び、必要なら読み取るページも指定します。
2. 各ページの開始位置を見るにはページ区切りをオンのままにし、テキストを文書に貼り付けるなら「折り返された行をまとめる」にチェックを入れます。
3. スキャンしたPDFでは、OCRにチェックを入れて、文書の言語を選びます。
4. ボックスからテキストをコピーするか、.txtファイルをダウンロードします。

計算式

同じベースライン（縦のずれがフォントサイズの半分未満）にあるテキストの断片が1行になり、フォントサイズの¼より広い横の間隔はスペースになり、行の高さの1.8倍を超える縦の間隔は新しい段落の開始になります。

「折り返された行をまとめる」は、段落内の行をスペースで結合し、小文字の単語の前にある行末のハイフンを取り除き、中国語と日本語の行はスペースなしでつなげます。.txtファイルは、メモ帳で正しく表示されるよう、Windowsの改行を使ったUTF-8です。

計算例

各ページに「Page 1」「Page 2」「Page 3」と書かれた3ページのPDFは、6単語、18文字になります。ページ区切りをオンにすると、テキストは「--- Page 1 ---」に続いて「Page 1」で始まり、オフにすると3つのページは空行で区切られます。

テキストレイヤーとスキャンしたページ

Word、ブラウザ、会計ソフトで作ったPDFには本物のテキストが入っているため、正確に抽出されます。スキャンは紙の写真なので、OCRが文字を認識するまでテキストはありません。OCRは初回にエンジンと言語データ（約10〜20 MB）をダウンロードし、1ページあたり数秒かかり、小さい文字を読み間違えることがあるので、名前や数字は必ず確認してください。プレーンテキストではなく検索できるPDFが必要なときは、PDF OCRを使ってください。