PDF テキスト抽出

スキャンしたPDFは各ページが画像であるため、テキストをOCR（光学文字認識）で読み取る必要があります。このツールは各ページを個別にチェックし、スキャンされたページを自動的にOCRで読み取ります。

• 各ページは「テキスト」「OCR」「空白」としてマークされるため、どのページがスキャンされたかが分かります。
• テキストが四角や文字化けとしてコピーされるページも、スキャンとして扱われOCRで読み取られます。
• スキャンしたページは選択した言語で読み取られます。18言語から最大3言語まで同時に選択できます。
• あるページのテキストがおかしいと感じたら、そのページ番号をクリックして「OCRで読み取る」を選び、スキャンとして再度読み取ってください。

混在するPDFにも対応しています。タイプされたページとスキャンされたページは、ページ順に1つのテキストとしてまとめられます。

PDFではなく写真やスクリーンショットをお持ちですか？画像テキスト抽出でテキストを取得できます。

PDFからコピーしたテキストは、通常行末ごとに改行が入ります。「行を段落に結合」は折り返された文をつなぎ合わせ、ドキュメントやメール、AIチャットツールにきれいに貼り付けられるようにします。デフォルトでオンになっています。

このクリーンアップでは、PDFテキストを乱雑にするその他の要素も修正されます：

• 行末でハイフンで分割された単語は、1つの単語として結合されます。
• 見出し、リスト項目、表の行はそれぞれ独立した行のままになります。
• 「ヘッダー・フッター・ページ番号を削除」は、各ページで繰り返されるヘッダー、フッター、ページ番号を取り除きます。デフォルトでオンになっています。
• 「--- ページ3 ---」のようなページマーカーは、各ページの開始位置を示します。1つの連続したテキストにまとめたい場合はオフにしてください。

各オプションはPDFを読み直すことなく、すぐにテキストを更新します。「行を段落に結合」をオフにすると、PDF内のすべての改行がそのまま保持されます。

このPDFテキスト抽出ツールは無料で、登録もアカウントも不要です。さらに次の特長があります：

• プライバシー保護。PDFはお使いの端末内で処理されます。スマートフォンやパソコン上で開いて読み取られ、ファイルがサーバーに送信されることはありません。
• ページ数制限も1日の制限もなし。各PDFは最大100MBまで、一度に最大20件まで追加できます。
• ロックされたファイルも安全に処理。パスワード保護されたPDFは、お使いの端末上で入力したパスワードを使って開かれ、パスワードは保存されません。

スキャンされたページを初めて読み取る際、OCRリーダーが一度だけダウンロードされます（英語の場合約4MB）。ブラウザに保存されるため、以降のスキャンはより高速に開始できます。実際のテキストのみのPDFにはこの処理は不要です。

PDFがすでに保持しているテキストを読み取り、スキャンされたページにのみ適切な言語でOCRを使用します。これにより、タイプされたページは正確なまま、スキャンされたページもできるだけ正確に保たれます。このツールはページごとにその判断を自動で行います。

以下のコツで、よりきれいなテキストが得られます：

• 正しいOCR言語を選んでください。例えば、ドイツ語を英語として読み取るとウムラウトが失われます。
• 複数言語が混在するスキャンには、最大3言語まで選択してください。
• はっきりとした、まっすぐなスキャンを使用してください。かすれたページや傾いたページはミスが増えます。
• あるページが文字化けする場合は、そのページ番号をクリックして「OCRで読み取る」を選んでください。
• スキャンしたページの氏名、数字、メールアドレスは確認してください。最も誤読されやすい部分です。

PDFのOCRにはどれくらい時間がかかりますか？実際のテキストがあるページは、長いPDFでもほぼ瞬時に読み取られます。スキャンされたページは1ページあたり数秒かかり、進捗を確認したり、いつでも停止したりできます。

OCRは印刷されたテキスト向けに作られています。手書き文字や画質の悪いスキャンはミスが出やすくなります。雑誌やフォームのような複雑なレイアウトも順序が入れ替わることがあるため、使用前にテキストを確認してください。