PDFからテキストを抽出する方法（OCRをわかりやすく解説）
短い答え
デジタルPDF（スキャンではなくテキストから作られたもの）なら、テキストを直接選択してコピーできます。ツールは不要です。スキャン文書の場合はOCR（光学式文字認識）が必要です。ページ画像を読み取って、実際のテキストに変換します。Google Driveで無料で実行でき、デジタルファイルの抽出はPDFからMarkdownへの変換ツールが対応しています。
デジタルPDFからテキストをコピーする
まずは簡単な方法を試しましょう。PDFを開いて、マウスでテキストをドラッグ選択します。ハイライトされたら完了です。Ctrl/Cmd+Cでコピーして、どこにでも貼り付けられます。ブラウザ、プレビュー、どのPDFリーダーでも使えます。
選択がグレーアウトしている場合、そのファイルにはコピー保護（権限ロック）がかかっています。パスワードが分かれば解除できます。テキストの選択はできても、貼り付け時に書式が崩れるツールもあります。テキスト自体はあるのですが、レイアウトが生き残らないのです。
スキャンPDFからテキストを抽出する（OCR）
スキャンしたページは写真です。写真にはコピーできるテキストがありません。OCRがそれを読み取ります。
- スキャンしたPDFをGoogle Driveにアップロードします（右クリック → アプリで開く → Googleドキュメント）。Driveが自動でOCRを実行し、テキストを表示します。
- 専用のOCRツールを使う方法もあります。無料ツールでも数ページなら十分こなせます。
- テキストをコピーして、中身を確認します。手書きや特殊なフォントではOCRも間違えます。
品質に関する正直な評価: きれいな活字のOCRはほぼ完璧です。レシート、印鑑付きの請求書、手書き文字になると、手直しが必要なエラーが出ると思ってください。医者の手書き文字を読めるツールは存在しません。そう主張する人は嘘をついています。
正直なところ
よく驚かれるのが次の3点です。
- 表はグチャグチャに抽出されます。テキスト抽出は左から右へ読むため、表の列が長い文字列の塊になってしまいます。表の構造が必要なら、生テキストをコピーするよりExcelやWordに変換しましょう。
- フォントと書式は消えます。手に入るのは単語だけで、デザインはありません。引用やメモには十分ですが、見た目が重要な文書には向きません。
- 抽出は編集ではありません。テキストを取り出しても、PDF自体の変更は別の作業です。PDFの編集方法をご覧ください。