PDF に適切なテキスト レイヤーがある場合、PDF からのテキストの抽出は簡単です。単に選択してコピーするだけです。この課題は、スキャンされた PDF や、テキストがアウトラインに変換されたもの (テキストの視覚的外観は存在するが、その下にある文字が存在しない場合) に発生します。両方の状況に対処する方法を次に示します。
ネイティブ デジタルからのテキストの抽出 PDF
Word、Excel、PowerPoint、またはデザイン ソフトウェアからデジタルで作成された PDF の場合、テキストの抽出は選択してコピーするだけで簡単です。任意のビューアで PDF を開き、クリックしてドラッグしてテキストを選択し、Ctrl/Cmd + C を押してコピーします。テキスト エディター、Word 文書、またはコンテンツが必要な場所に貼り付けます。
複数ページの PDF からすべてのテキストを一度に抽出するには、Ctrl/Cmd + A を押してすべてを選択し、コピーして貼り付けます。テキストは PDF に保存されている順序で流れます。これは通常、列ごとに上から下に行われます。複数列のレイアウトでは、手動で再配置する必要がある直感的ではない順序で貼り付けられる場合があります。
OCR を使用して、スキャンした PDF からテキストを抽出する
スキャンされた PDF はページを画像として保存するため、コピー元のテキスト レイヤーはありません。テキストを抽出するには、まずドキュメントに対して OCR を実行する必要があります。スキャンした PDF を WukongPDF の OCR PDF ツールにアップロードし、処理して、検索可能なバージョンをダウンロードします。テキスト レイヤーが埋め込まれ、デジタル PDF と同様に選択、コピー、検索できるようになりました。
抽出したテキストを PDF に埋め込むのではなく別のファイルとして必要な場合は、PDF to Word ツールを使用して OCR 出力を Word に変換します。 Word ファイルには、認識されたすべてのテキストが編集可能な形式で含まれているため、セクションのコピー、再フォーマット、コンテンツの構築が簡単に行えます。
Word またはテキスト ファイルへのテキストの抽出
手動で OCR を実行せずに PDF からテキストへ直接抽出する場合、WukongPDF の PDF から Word へのコンバーターがテキスト コンテンツを抽出し、編集可能な .docx ファイルに配置します。書式設定されていないプレーン テキストの場合は、結果の Word 文書を開いて .txt ファイルとして保存します。または、コンテンツをプレーン テキスト エディターに貼り付けて、そこから保存します。
これは、データ処理、別のアプリケーションへのインポート、またはプレーン テキスト入力で動作する AI ツールへのフィードに、クリーンでフォーマットされていないテキストが必要な場合に便利です。
パスワードで保護された PDFs からのテキストの抽出
PDF に所有者パスワードによってコピー制限が設定されている場合、テキストの選択は視覚的には機能しますが、コピー操作はブロックされます。正当なアクセス権を持つ制限された PDF からテキストを抽出するには、WukongPDF の PDF Unlock ツールを使用して、まずアクセス許可の制限を削除してから、テキストを通常どおり抽出します。制限が解除されると、コピーと貼り付けは制限なく機能します。
抽出品質のチェック
テキストを抽出した後、元の PDF に対していくつかの段落をスポットチェックして、正確さを確認します。一般的な問題には、文字化けとして抽出される合字 (fi と fl の組み合わせ)、疑問符に変換される特殊記号、抽出されたテキストの単語の途中に表示されるハイフンでつながれた改行などがあります。これらのほとんどは、何を探すべきかがわかれば、検索と置換で簡単に修正できます。