PDF から文字を取り出すということ

文書から作られた PDF には、その文字がすでに入っています。文字そのものがファイルの中にあり、リーダーはそれを正しい位置に描いているだけです。

取り出すのは簡単であるはずなのに、たいてい簡単ではありません。リーダーで全選択すると、ヘッダーもフッターもページ番号も文の途中に混ざってきます。表をコピーすれば 1 本の長い行になります。2 段組をコピーすれば左右が交互に並びます。スマホではそもそも選択できないこともあります。

このツールは PDF に直接その文字を尋ね、編集も、コピーも、.txt としてのダウンロードもできる欄に結果を返します。

読み取っているのであって、推測していません

これは OCR ではありません。OCR はページの画像を見て、形を文字として認識しようとします。役に立ちますが間違えますし、1 と l と I の取り違えは永遠の課題です。

ここには認識するものがありません。文字はすでに PDF の中にあり、入れたときのまま出てきます。読み間違いも、確信度も、待ち時間もありません。200 ページの報告書でも数秒です。

唯一できないのが、スキャンを読むことです。スキャンされたページは写真であり、中に文字はまったくありません。その場合はこのツールがはっきりそう伝え、空の欄を返す代わりに OCR の道筋を示します。

ページ欄を空のままにすれば文書全体を取り出します。一部でよければこう書きます。

長い報告書の 1 章だけが必要なとき、あるいは最初の 2 ページが表紙と目次でいらないときに便利です。

PDF が覚えているのは「どこに行が描かれたか」であって、「どこで文が終わるか」ではありません。だから段落は、紙の幅が尽きたという理由だけで切られた 5 行として届きます。

つなぎ方は慎重です。文を終えている行、見出し、箇条書き、番号つきの項目は、いずれも改行を保ちます。明らかに文の途中で終わっている行だけが次につながります。

ページの切れ目に印をつけると、ページのあいだに --- ページ 7 --- という行が入ります。元の場所に戻る必要があるとき（報告書を引用する、契約書を確認する、出典を示す）はオンのままに。きれいな本文をそのまま貼り付けたいときはオフにしてください。

PDF を開いて読む作業は、すべてブラウザの中で行われます。アップロードもされず、順番待ちもなく、保存もされません。これは、この機能が本当に必要になる文書にとって大事なことです。契約書、取引明細、診断書、訴訟書類、秘密保持契約のかかった資料。

そのため、アップロードによるファイルサイズ制限もなく、ページさえ読み込んでしまえばオフラインでも動きます。