コピーできないPDFからテキストをコピーする
公開日 · 更新日 読了目安 1分
PDFには、本物のテキストが入っているか、テキストの画像しか入っていません。抽出の結果は、この最初の点で決まります。
本物のテキストか、テキストの画像か
PDFを開き、単語を選択してみます。選択できるなら、文書には本物のテキストがあります。できなければ、ページはスキャンのように画像です。
ツールがすること
PDFをテキストに変換は、本物のテキストはそのまま読み取り、テキストのないページには文字認識を適用します。結果はテキストファイルで、各ページの前に印が付きます。本物のテキストは「--- Page 1 [native] ---」、認識したページは「--- Page 1 [ocr] ---」です。レポートの10ページで、5 KBのファイルになります。
2段組みのページ
ツールは行をページの幅いっぱいに読み取ります。そのため2段組みの行が混ざります。「Colonne de gauche. Le compost de printemps Colonne de droite. Un atelier sur la récupération」のように。行末で分かれた単語は分かれたままです。「com」と「mencé」になり、ハイフンは消えます。表のセルは、スペースで区切られて1行に入ります。
スキャンしたページ
同じページを画像に変換すると、本物のテキストはもうありません。認識には約5秒かかり、テキスト、分かれた単語、表の3行を見つけますが、段が混ざるのは同じです。エンジンはフランス語に設定されています。ほかの言語は認識が劣ることがあり、スキャンの鮮明さも結果に影響します。
使う前に読み直す
- 固有名詞、数字、アクセント記号を確認します。
- 段が切り替わる箇所に気を付けます。
- レイアウトを保つには、代わりにPDFを画像に変換します。
- 元のPDFは取っておきます。