PDFからテキスト抽出

PDFからテキストを抽出するのは、契約書・レポート・記事・フォームの内容を元のドキュメントの外で再利用したいときの定番作業です：メールに貼り付ける、論文に引用する、テキストエディタに移す、翻訳する、検索インデックスに入れる、など。FormatFuseはPDF.jsを使って抽出をブラウザ内で直接実行します — PDFはサーバーにアップロードされず、テキストは画面に瞬時に表示されます。

本ツールは実体のあるテキストレイヤーを持つPDFに対応します：Word、Google ドキュメント、LaTeX、ブラウザのPDFエクスポートなどデジタル生成されたドキュメント、またはすでにOCR処理されたスキャン。完全に画像のみのスキャンPDF（ページの写真や、OCRなしでデジタル化された古いコピーなど）の場合、テキストレイヤーがないことを検知してお知らせします。その場合は先にOCRをかける必要があります — オフラインの無料ツールやWebサービスで対応できますが、OCRは認識エンジンへのアップロードを伴うのが一般的です。

ちょっとしたコツ：PDFビューアからの手動のコピー＆ペーストで文字化けしたり記号が混じったりする場合、本ツールのほうが格段にきれいな結果を返すことが多いです。多くのPDFはブラウザのクリップボードを壊すような非標準のマッピングでフォントを埋め込んでいますが、PDF.jsはそれを正しく解釈できます。プレーンテキストではなく見出し・リスト・構造を保持したい場合はMarkdownコンバーターを、検索や引用・翻訳のためにテキストだけが欲しい場合はプレーンテキスト抽出が直接的です。