PDF→TXT変換

PDFの文字をTXTとして取り出す

PDF→TXT変換は、PDFに含まれる読み取り可能な文字をプレーンテキストとして取り出す方法です。文章を検索したり、メモへ引用したり、テキストエディターで編集したりしたいときに使えます。PDFのページを画像として保存する処理や、見た目をそのまま再現する処理とは異なります。

PDFは文書を表示・交換するための形式ですが、ページの中身は文字情報だけとは限りません。本文が文字データとして格納されたPDFもあれば、紙面を撮影・スキャンした画像だけのPDFもあります。ISO 32000-2:2020はPDF 2.0を電子文書の表現形式として定義しており、2026年のレビュー後も現行版です。

文字データとページ画像の違い

PDFビューアーで本文の一部をドラッグして選択できるなら、文字データが含まれている可能性があります。反対に、ページ全体が一枚の写真のように扱われ、文字を選べない場合はスキャン画像主体かもしれません。この変換は画像内の文字を読み取るOCRではないため、画像だけのページから文字を起こす用途には向きません。

W3CのPDF7技法では、スキャン画像に含まれる文字を実際のテキストにする手段としてOCRを説明しています。画像内の文字が必要なら、先にOCR処理を行い、認識結果を確認してからテキスト化してください。

複数のPDFをまとめて処理する

1. PDFを選ぶ

   変換するPDFを選択します。1ファイルは2.5 MBまで、同時に最大5ファイルを指定できます。大きさが上限を超える場合は、ファイルを小さくするか対象を分けてください。

2. 変換を開始する

   ファイル一覧を確認して処理を実行します。複数ファイルを選んだ場合も、文書ごとに個別の結果が作られます。

3. TXTを保存して確認する

   各結果をダウンロードし、テキストエディターで開きます。文章の順番、改行、記号や数字を元のPDFと見比べてから再利用してください。

出力ファイル名は元のPDF名を基にしたTXT形式です。複数の文書を1つにつなげる機能ではありません。まとめて扱いたい場合は、個々の内容と並び順を確認してから、必要に応じてテキストエディターで整理します。

変換前によくある確認

出力の確認とファイルの取り扱い

• この機能はPDF内にある読み取り可能な文字を抽出します。スキャン画像のOCR、画像の文字起こし、レイアウトや表の再現は行いません。
• 複雑な段組み、表、特殊な文字、文書内の符号化方法によっては、抽出結果の順序や記号が元の見た目と異なることがあります。重要な氏名、金額、番号、引用は必ず原本と照合してください。
• ファイルはオンライン処理のために送信されます。機密情報や個人情報を含む文書を選ぶ前に、所属先の規則、文書の権利、共有・送信の許可を確認してください。サーバー側での保存期間は公開情報から確認できないため、一定時間で削除されるとは案内できません。
• 確認できているのはPDF入力とTXT出力です。対応する文書言語の一覧や言語別の抽出品質は明示されていません。