PDFからテキストをオンライン抽出
PDFに含まれるテキストレイヤーを抽出するか、スキャンしたページの文字をOCRで認識して、プレーンテキストとして保存します。
スキャンしたPDFの場合は、アップロード前に文書の言語を選んでください。後から変更すると、現在のファイルを読み直します。
PDFファイルを選択またはここにドラッグ＆ドロップ
テキストを抽出し、画像PDFのOCRにも対応
PDFからテキストを抽出中...
filename.pdf
元のサイズ：0 MB | 0ページ
抽出されたテキスト
CMapによるフォント解読
PDF.jsの文字マップ（CMap）を使い、多くの東アジア言語フォントや独自エンコードのフォントを解読します。フォント情報が不完全なPDFでは、誤った文字が出ることがあります。
スキャンページのOCR
抽出できるテキストがほとんどないページは、Tesseract.jsのOCRで読み取ります。精度はスキャン品質、言語、レイアウトによって変わります。
ブラウザ内で処理
文書はブラウザのメモリ内でローカルに解析されます。
使い方
まずPDFに保存されているテキストレイヤーを読み取ります。スキャン文書のようにテキストがほとんどないページは、画像として描画したうえでブラウザ内でOCRにより認識します。OCRエンジンと言語データは、初めてOCRを実行するときにleedybox.comからダウンロードされます。PDFファイル自体がアップロードされることはありません。
- スキャンしたページを正しい文字で読み取れるよう、ファイルを追加する前に OCR 言語を選びます。このページの言語に合わせてあらかじめ設定されています。
- ドロップエリアをクリックするか、PDF ファイルをドラッグ＆ドロップします。抽出はすぐに始まり、ページを 1 つずつ処理します。
- テキストレイヤーのあるページはそのまま読み取ります。スキャン文書のように文字がほとんどないページは画像として描画してから OCR で認識するため時間がかかり、進行状況に読み取り中のページが表示されます。
- テキストボックスで結果を確認します。各ページは --- ページ 1 --- のような行で始まります。
- 「テキストをコピー」または「.TXTとして保存」で結果を残すか、「ファイルを変更」で別の PDF を読み取ります。
よくある質問
抽出したテキストが文字化けすることがあるのはなぜですか？
一部のPDFは独自のフォントエンコードで文字を保存しています。LeedyBoxはCMapテーブルを読み込んで多くのケースを解読しますが、正しいUnicode対応表を持たないフォントでは誤った文字になることがあります。結果を元の文書と照らし合わせて確認してください。
スキャンした文書にも使えますか？
はい。テキストレイヤーがほとんどないページでは、内蔵のTesseract.js OCRエンジンがページ画像から文字を認識します。手書き文字、低解像度のスキャン、特殊なフォント、OCR言語設定に含まれない言語では精度が下がります。
表や段組みのレイアウトは保たれますか？
完全には保たれません。出力はプレーンテキストのため、表・段組み・テキストボックスは行単位に展開され、読む順序がページの見た目と異なる場合があります。
PDF はアップロードされますか？
いいえ。テキストはブラウザー内で読み取ります。OCR が必要なページがある場合は OCR エンジンと言語データをleedybox.com からダウンロードしますが、PDF そのものはどこにも送られません。
2 つの言語が混ざった文書では、OCR 言語に何を選べばよいですか？
文書の主な言語を含む選択肢を選んでください。「英語のみ」以外の選択肢はすべて英語も認識します。選んでいない言語の文字は、別の文字として読み取られることがよくあります。
OCR に時間がかかるのはなぜですか？
OCR エンジンと言語データをダウンロードしたあと、スキャンしたページをブラウザー内で 1 ページずつ認識するためです。処理の遅い端末では 1 ページに数秒以上かかることがあるので、長いスキャン文書には時間が必要です。