PDFをテキスト化したいときは、まず文字を選択してコピーできるか試します。文字情報があるPDFなら取り出せますが、紙面を画像として取り込んだものは文字認識が必要です。取り出した文章は、数字や読み順を元ページと照合して使いましょう。
ワクちゃん：「PDFに文字が見えるのに、コピーできないことがあるの？」
チャピ吉：「ページ全体が画像の場合もあるよ。そのときは文字認識が必要なんだ」
ワクちゃん：「見た目は文字なのに、コピー係には写真に見えていたんだね」
チャピ吉：「取り出せても誤りはあり得るから、元ページと比べよう」
PDFをテキスト化：何を指す言葉か
PDFから文字を取り出し、編集や検索に使える文章にすることです。画像の文字を読み取る処理はOCRと呼ばれます。元のPDFは残し、取り出した文章を別ファイルへ保存します。
主な特徴
文字を選択できるPDFでは、必要な部分をコピーしてテキスト編集用の画面へ貼り付けます。画像だけの場合はOCR機能を使いますが、読み間違いや段組みの順序の乱れが起こり得ます。
使う・確認する場面
資料の一部を引用したり、文中を検索したりしたい場合に使います。見出し、本文、表が混ざったページでは、抽出結果が読む順番どおりかを確認し、使う部分を元ページと照合します。
注意したい点｜バージョン確認
人名、金額、日付などは特に読み間違いを見直します。外部サービスを利用する場合は、資料を送ってよいか確認してください。コピー制限があるファイルの保護を無断で解除する方法としては扱いません。