PDF テキスト抽出・OCR

PDF を選択またはドロップ

処理モード

ハイブリッドではテキスト層を先に抽出し、文字のないページを OCR 処理します。既存のテキスト層が不完全・不正確な場合は OCR のみを選んでください。

現在の OCR 認識言語は英語・簡体中国語です。日本語の認識モデルにはまだ対応していません。

認識する言語

PDF は最大 100 MiB、500 ページ、出力 500 万文字です。OCR は 1 回に 30 ページまでで、OCR のみは最大 30 ページの文書に対応します。描画は逐次処理し、1 ページ 800 万ピクセルが上限です。

PDF.js、フォント、OCR が必要な場合のエンジンと言語モデルを当サイトから読み込みます。モデルをブラウザーにキャッシュする場合があります。

使い方

PDF とモードを選んで処理します。ハイブリッドは既存テキストを抽出し、文字のないページに OCR を使います。テキスト抽出のみは OCR を行わず、OCR のみは全ページを認識します。UTF-8 TXT をコピー・エクスポートできます。中断やエラー時も完了したページは残り、不完全な出力には partial を付けます。

読み順は正確ですか？

抽出は PDF の文字順を保ち、空白を推定します。ハイブリッドは既存テキスト層のあるページに画像文字を合成しないため、該当ページや不正な層には OCR のみを使ってください。段組み、表、手書きには修正が必要な場合があります。レイアウトや画像は保持しません。

パスワード付き文書

現在、パスワードが必要な PDF は開けません。信頼できるソフトでコピーを解除してから抽出してください。PDF 内の JavaScript を実行したり、文書リンクを開いたりしません。