pdfMB

PDFをテキストに変換

PDFの文字をすべて、読む順番どおりに段落にまとめて取り出します。コピーするか.txtファイルでダウンロードできます。ファイルはこの端末の中にとどまります。

  • アップロードなしファイルはこの端末の中にとどまります。
  • 元のファイルはそのままダウンロードするのは新しいコピーです。元のファイルは変更されません。
  • 無料・登録不要アカウント不要で、回数制限もありません。

ファイルはどう処理されるか

以下はすべて、お使いの端末のブラウザの中で行われます。PDFはアップロードされないため、私たちを含め誰も見ることはできません。

  1. ブラウザがFirefox内蔵のPDFビューア、pdf.jsでPDFを開き、すべての文字を位置とサイズの情報とともに読み取ります。
  2. 同じ行にある文字をつないで行にし、行をつないで段落にするので、数語ごとに改行が入ることはありません。行末でハイフンにより分かれた単語も元どおりにつなぎます。
  3. 2段組みや3段組みのページは段ごとに読み取ります。PDFビューアからコピーすると、段が1行ずつ混ざってしまうことがよくあります。
  4. 柱やページ番号など、ほとんどのページの上や下に繰り返し出てくる行は、文章を途切れさせないように取り除けます。
  5. 表は1行が1行になり、セルはタブで区切られるので、表計算ソフトに貼り付けると正しい列に入ります。
  6. Webブラウザから保存したPDFなどでは、一部の文字が「文字なし」とされていることがあります。タイ語では主に母音の上につく声調記号です。pdfMBはファイル内のフォントからそれらを復元します。
  7. スキャンなど文字のないページは、「OCR PDF」と同じOCRエンジンで読み取れます。ダウンロードするのは言語データだけで、それも1回だけです。
  8. .txtファイルは端末の中でUTF-8として保存されるので、どの言語の文字もそのまま残ります。クリップボードにコピーすることもできます。
手順
  1. PDFを選ぶ
  2. 「テキストに変換」を押す
  3. プレビューを確認する
  4. コピーするか.txtファイルをダウンロードする

PDFから文字を取り出す方法

  1. PDFを選ぶか、枠にドロップします。pdfMBがすべてのページを読み取り、文字のないスキャンページがあるかどうかを知らせます。
  2. スキャンしたページがある場合は、「スキャンしたページの文字を読み取る（OCR）」をオンのままにして、文書の言語を選びます。
  3. 「テキストに変換」を押します。進み具合がバーで表示されます。
  4. プレビューを確認します。ヘッダーとフッターを残すか取り除くか、ページの始まりに印をつけるかを選べます。見出しや表を残したいときはMarkdownに切り替えます。
  5. 「すべてコピー」を押して別の場所に貼り付けるか、.txtファイルをダウンロードします。

コピーしたタイ語の文字で声調記号が消えやすい理由

タイ語のフォントには、声調記号の形が複数あります。ที่ や น้ำ のように上の母音の上に乗る高い位置の形と、通常の形です。PDFには、どの形が描かれたかと、それぞれの形がどの文字を表すかの対応表が保存されています。

Chrome、EdgeなどChromium系のブラウザから保存したPDFでは、この対応表で高い位置の形が「何もない」とされていることがよくあります。文字をコピーしたり、対応表をそのまま信じるツールを使ったりすると記号が抜け、น้ำ（水）が นำ（導く）になってしまいます。

Chromeから保存した35ページのタイ語版Wikipediaの記事で試したところ、1,915個の声調記号がこの状態でした。pdfMBはファイル内のフォントから正しい記号を見つけ、声調記号4,911個がすべて残りました。

こんなときに使われています

自分の文章を再利用

昔のレポート、手紙、履歴書の文字をPDFから取り出して、好きなソフトで編集できます。

翻訳

文の途中で切れた行ではなく、段落ごとまとめて翻訳ツールに貼り付けられます。

検索と文字数の確認

長い文書を検索したり、語数を数えたり、テキストエディタで2つの版を比べたりできます。

タイ語の文書

Webブラウザから保存したPDFからでも、声調記号が残ったタイ語の文字をコピーできます。

できないこと

  • 残るのは文字だけです。画像、グラフ、図は含まれません。保存するには「PDFをJPGに変換」を使ってください。
  • 太字、斜体、見出し、リンクは普通の文字になります。残したい場合は「PDFをMarkdownに変換」を使ってください。
  • ページ上の文字の正確な位置は残りません。枠や余白にある文字は段落の流れの中に入ります。
  • 数式はプレーンテキストになり、上付き文字と下付き文字も同じ行に並びます。
  • アラビア語やヘブライ語など右から左に書く言語は、まだ十分にテストできていません。結果をよく確認してください。
  • パスワード付きのPDFや、作成者がコピーを禁止しているPDFは変換できません。

PDFをテキストに変換することについての質問

PDFはアップロードされますか？

いいえ。pdfMBはブラウザの中でファイルを読み取り、ファイルが端末の外に出ることはありません。ブラウザのネットワークツールで確かめることもできます。

PDFビューアからコピーするだけではだめですか？

ほとんどのビューアは1行ずつコピーするため、行ごとに改行が入り、段組みが混ざり、ハイフンで分かれた単語も分かれたままです。pdfMBは行を段落につなぎ、段組みを順番どおりに読み、ヘッダーやページ番号を除くこともできます。

タイ語の声調記号は残りますか？

はい。pdfMBは、一部のPDFで「文字なし」とされている声調記号も復元します。私たちのテストでは、35ページのタイ語の記事にある声調記号4,911個がすべて残りました。

スキャンしたPDFも読み取れますか？

はい。OCRをオンにして言語を選んでください。OCRは名前や数字を読み間違えることがあるので、結果を確認してください。

.txtファイルの文字コードは何ですか？

UTF-8です。Notepad、TextEdit、VS Codeなど、最近のエディタならどれでも開けます。すべての言語と記号が残ります。

ページ数やサイズの上限はありますか？

決まった上限はありません。長い文書ほど時間がかかり、非常に大きなファイルは一部のスマートフォンでメモリが足りなくなることがあります。