PDF をテキストに変換

テキスト抽出の仕組み

PDF はテキストを文書としてではなく、位置情報付きの描画命令として保存しています。このツールは PDF.js を通じてその命令を読み取り順に読み直し、プレーンテキストとして書き出します。ページごとに区切りが明示されます。見出し、段落、表のセル、脚注など、文書が本物のテキストとして公開しているものはすべて出力されます。

出力はプレーンテキスト（UTF-8）なので、翻訳ツールへの貼り付け、検索インデックスへの登録、契約書 2 版の差分比較、PDF ビューアなしで編集者に渡す作業など、後工程のあらゆる用途に扱いやすい形式です。

おすすめの習慣は、まず抽出してから、90 ページを読む前にキーワードで検索することです。出力内のページ区切りを見れば、どのページを開けばよいか正確に分かります。

制限と注意点

スキャンしたページにはテキスト層がないため、出力は空になります。これは不具合ではなく、文字が画像の中にあるためです。そのようなページは OCR ツールで処理してください。ピクセルを読み取ります。

複雑なレイアウト（多段組の雑誌、ページをまたぐ表）は、読み取り順の推定で抽出されるため、多少の手直しが必要になることがあります。曲線やアウトラインとして描かれた文字は、どのツールでも抽出できません。

1 回につき最大 20 ファイル、各 25 MB までです。抽出はこのタブ内で行われ、何もアップロードされません。

よくある質問

プライバシー・バイ・デザイン

デバイス上だけで処理されます。何もアップロードされません。 変換はブラウザ内で実行されます。変換中にネットワークタブを開くと、何も送信されていないことを確認できます。アカウント不要、透かしなし、1日の回数制限なし。