すでにファイルの中にあるテキスト
ほとんどのPDFは、言葉を画像ではなく本物のテキストとして持っています。Word、Google Docs、会計システム、ウェブサイトから書き出されたファイルには、文字も字間も改行もそろったテキスト層が入っています。このツールは、当社自身のサーバー上でpdf.jsを使ってその層を読み取り、UTF-8のプレーンな.txtファイルとして書き出します。
認識も、書き換えも、推測も一切しないので、結果は正確そのものです。手に入る言葉は、文書が実際に保存している言葉です。数百ページあっても抽出は数秒で終わり、ダウンロードされるファイルにはアップロードしたファイルと同じ名前が付きます。contract.pdfならcontract.txtです。
読み取れるテキストがPDFにないとき
正直にお伝えしておきたい限界が1つあります。PDFがスキャンやページの写真である場合、その中にあるのは画像だけです。読み取るテキスト層がないため、このツールは何も抽出できません。空のファイルをお渡しするのではなく、その事実をはっきりお伝えします。
これは意図してそうしています。画像の中の言葉を読み取るのはOCRであり、OCRは処理する1ページごとに実費がかかります。無料のツールが、お客様に断りなくその費用を使ってよいはずがありません。だからここで止めて、代わりに正しい行き先をご案内します。PDFをOCRでスキャンに検索できるテキスト層を追加してからこのページに戻るか、変換の一環としてスキャンも読み取るPDFをWordに変換をお使いください。
プレーンテキストが役に立つ場面
- 文書を引用する。出典として示したい報告書の、きれいな全文が手に入ります。
- 別のツールに渡す。検索インデックスも、スクリプトも、表計算ソフトも、求めているのはプレーンテキストです。
- 検索して差分を取る。.txtファイルが2つあれば、どのエディタでも1行ずつ比べられます。
- コピーできない内容を写す。ビューアによっては選択が無効にされていますが、テキスト層はちゃんとそこにあります。
文書の一部だけで足りるときは、まずPDFを分割して、必要な部分からテキストを取り出してください。前の版と突き合わせて確認したいときは、PDFを比較が並べて見せてくれます。