FileReshape
JA

PDF テキスト抽出 – PDF の文字を TXT ファイルに

FileReshape の PDF テキスト抽出ツールは、各ページのテキストレイヤーを読み取り、1つの UTF-8 の .txt ファイルとして保存するか、コピーできる形で表示します。抽出はブラウザー内で行われ、PDF はアップロードされません。OCR には対応していないため、テキストレイヤーのないスキャン PDF からは文字を取り出せません。段組みや表は順番が乱れることがあり、レイアウトは保持されません。

うまく変換できないファイルがありましたか？ [email protected] までメールでお知らせください。小さなサンプルファイルを添えていただけると、修正しやすくなります。

要点

PDF をプレーンテキストにする理由

PDF リーダーからのコピーは1文程度なら問題ありませんが、文書全体となると不自然な改行が入ったり、ページが抜けたり、画面の端で止まったりします。このツールは各ページのテキストレイヤーを読み取り、テキストエディター、翻訳ツール、スクリプト、検索にそのまま使える UTF-8 のプレーンテキストファイルを1つ作ります。テキストは「テキストをコピー」ボタン付きで画面にも表示されるので、何もダウンロードせずに別の場所へ貼り付けることもできます。ページの区切りは、「--- Page 2 ---」のような短い目印の行、空行、またはページ数をそれで数えるツール向けの改ページ文字（フォームフィード）から選べます。スキャンを中心に、テキストレイヤーをまったく持たない PDF も多くあります。その場合は空のファイルを渡すのではなく、該当するページをお知らせします。

PDF からテキストを抽出する方法

  1. PDF ファイルをボックスにドロップするか、クリックして選択します。
  2. 「ページの区切り」で、ページの間に入れるものを選びます。
  3. 「テキストを抽出」をクリックし、.txt ファイルをダウンロードするか、下のボックスからテキストをコピーします。

知っておきたいポイント

スキャンした PDF にはテキストがない

スキャナーやスマートフォンのカメラは、各ページを画像として保存します。PDF を作る際に OCR（文字認識）が行われていなければ取り出せるテキストはなく、このツールも OCR は行いません。テキストのないページは番号で一覧表示されるので、入力した文書とスキャンした添付資料が混在する PDF でも十分に役立ちます。

段組みと表

テキストは PDF に保存されている順番で出力されます。通常の段落なら、それが読む順番と一致します。複数の段組みがある新聞、フォーム、表などは段ごとに出力されたり、セルの内容が1行につながったりすることがあるので、結果を使う前に確認してください。

文字化け

古いものや特定のプリンタードライバーで作られたものを中心に、形がどの文字に当たるかを示す対応表を持たないフォントを使った PDF があります。そうしたテキストは画面上では正しく見えても、意味のない記号として出力されることがあります。これはファイル側の性質で、同じテキストレイヤーを読む他のツールでも同じ結果になります。

レイアウトは保持されない

.txt ファイルにはフォント、太字、画像、ページのレイアウトはなく、文字と改行しかありません。ページに印刷されたヘッダー、フッター、ページ番号はテキストの一部なので、各ページごとに出力されます。

ファイル形式について

PDF

PDF（Portable Document Format）は 1993 年に Adobe が開発し、2008 年から ISO 規格になっています。 どの端末でも同じように表示されるため、契約書、請求書、申込書、マニュアル、スキャンした書類に使われます。

  • 1ページにテキスト、ベクター図形、写真をそれぞれ正確な位置に配置できます。
  • スキャンした書類は、たいてい1ページが1枚の画像です。
  • 開くときや編集するときに必要なパスワードで保護できます。

テキスト

テキストファイル（.txt）に入っているのは文字と改行だけで、フォント、色、画像、レイアウトはありません。 そのため、最も互換性の高い文書形式であり、あらゆるエディター、検索ツール、プログラミング言語で読み込めます。

  • A〜Z 以外の文字の保存方法は文字コードで決まります。UTF-8 はあらゆる文字体系に対応しています。
  • Windows は行末に CR LF、Mac と Linux は LF を使います。現在のエディターはどちらも読み込めます。
  • ページのレイアウトがないため、改ページは区切りの行や改ページ文字（フォームフィード）として書き込まれます。

よくある質問

PDF はアップロードされますか？

いいえ。テキストはお使いの端末上でブラウザーが読み取り、PDF もテキストもどこにも送信されません。

テキストファイルの文字コードは何ですか？

UTF-8 です。日本語はもちろん、æ、ü、é などの文字や他の文字体系の文字もそのまま保たれます。Windows 10・11 のメモ帳や Mac のテキストエディットなど、現在のテキストエディターならどれでも正しく開けます。

パスワード付きの PDF からテキストを抽出できますか？

開くのにパスワードが必要な PDF はできません。先に PDF リーダーでパスワードを解除してから、ここでテキストを抽出してください。

一部のページだけテキストを取り出せますか？

このツールは文書全体を読み取ります。一部のページだけが必要な場合は、先にそのページを新しい PDF に抽出してから変換するか、ページの区切りの目印を残しておき、不要な部分をテキストエディターで削除してください。

関連ツール