PDFテキスト抽出 — PDFの文字を取り出してコピー
PDFの文字をページごとに抽出し、コピーやTXT保存ができるブラウザツール
ブラウザー内で処理・アップロード不要
テキストを抽出する PDF をここにドロップ
PDF を 1 つ追加してください（最大 100 MB）。新しいファイルを追加すると、今のファイルと置き換わります。ファイルがブラウザの外に送信されることはありません。
どんなツールか
PDFの中の文字をプレーンテキストに変換するツールです。報告書をテキストエディタに移したい、論文の一部を引用したい、長い契約書から特定の言葉を探したい、といったときに使えます。ページごとに開いてコピーすることも、全文をまとめてコピーすることも、TXTファイルとしてダウンロードすることもできます。フォントが原因で文字化けしたときや、スキャンPDFで文字がまったくないときは、理由と対処法を表示します。処理はすべてブラウザの中で行われます。
使い方
- 点線の枠にPDFを1つドロップするか、PDF を選択を押します。
- 一部だけ必要な場合は、ページ範囲に
1-3, 5のように入力します。空欄なら全ページです。 - ページの間に
--- 1 ページ ---のような区切り線を入れるかどうかを選びます。 - テキストを抽出を押すと、全文とページごとのテキストが表示されます。長いファイルでは中止で途中終了でき、読み取った分は残ります。
- 全文やページ単位でコピーするか、TXTファイルをダウンロードします。
仕組み
- 抽出：PDF.jsが読み取った文字の断片を保存順につなげます。行末の印があるところや、ベースラインが半行以上動いたところで改行し、同じ行で目に見えて離れている断片の間にはスペースを入れます。行末のスペースは削除し、連続する空行は1行にまとめます。
- 文字化けの警告：置換文字（�）、私用領域の文字、制御文字が3文字以上、かつ表示される文字の2%以上あるときに表示します。
- テキストのないページ：ページ番号を一覧にします。全ページが空ならスキャンPDFとみなしてOCRを案内します。
- TXT ファイル：BOM付きUTF-8、改行はWindows形式（CRLF）なので、古いメモ帳でも日本語、中国語、絵文字が正しく表示されます。
- 制限：ファイルは100 MBまで。OCRはありません。
- ライブラリ：PDF.js（Apache-2.0）。中国語・日本語・韓国語フォント用の文字対応表はこのサイトから配信し、必要なときだけ読み込みます。
例
| ファイル | 結果 |
|---|---|
| Wordから書き出した報告書 | 段落と改行がそのまま出る |
| 2段組みの論文 | たいてい左段のあとに右段。表のセルはつながることがある |
| スキャンしたレシート | 「テキストが見つかりませんでした」とOCRの案内 |
| フォントにUnicode対応表がないPDF | 文字化けの警告と対処法 |
PDFの中の写真を取り出すには「PDF画像抽出」を、ページ全体の見た目を残すには「PDF JPG変換」をお使いください。
よくある質問
PDFはアップロードされますか？
されません。抽出はブラウザの中だけで行い、ファイルが送信されることはありません。テキストはこのページと、ダウンロードしたTXTファイルの中にだけ存在します。
抽出したテキストが文字化けします。なぜですか？
Unicodeの対応表を持たないフォントがPDFに埋め込まれていると、画面には文字が表示されても、テキストとして読み取ると空白や見慣れない記号になります。そうした文字が一定数あると警告を表示します。元のアプリからPDFを書き出し直すか、文字認識（OCR）を使うと解決します。
スキャンしたPDFから何も取り出せないのはなぜですか？
スキャンや撮影で作ったPDFは各ページが画像なので、抽出できるテキストがありません。このツールはOCRを行いません。テキストがまったく見つからないときはその旨を表示しますので、先に文字認識ができるアプリやスキャナーアプリで処理してください。
改行や順序は元のとおりになりますか？
テキストはPDFに保存されている順に並び、行末の印やベースラインが大きく移る位置で改行します。ほとんどの文書は読む順に出てきますが、段組み、表、テキストボックスは順序が入れ替わったり、つながったりすることがあります。
保護されたPDFでも使えますか？
開くときにパスワードが必要なPDFにはまだ対応していません。パスワードなしで開けて印刷や編集だけが制限されているPDFは開くことができ、テキストも読み取れます。文書の利用条件はご自身でご確認ください。
