PDFからきれいにテキストを取り出せるかどうかは、見た目よりも「PDFの中に文字データが入っているか」で決まります。ワープロや請求書システムから出力されたPDF、またはOCR済みのスキャンPDFなら、選択・コピーできる文字オブジェクトを持っていることがあります。一方、OCR前のスキャンは、PDFの中に画像が貼られているだけです。その場合、テキスト抽出ツールは文字を新しく読めません。
LutrakitのPDFテキスト抽出は、すでにPDF内にある文字を .txt として取り出すためのツールです。処理はブラウザ内で行われ、PDFはアップロードされません。ただしOCRエンジンではありません。スキャン画像しかないPDFでは、先にPDF傾き補正などで画像を整え、その後にOCR専用の手段を使う必要があります。
まずPDFの種類を見分ける
PDFを開き、次の3つを確認します。
- 本文の一文をドラッグして選択できるか。
Ctrl+FまたはCmd+Fで、見えている単語を検索できるか。- 段落をコピーしてテキストエディタに貼ると、文字がほぼ正しいか。
3つとも問題なければ、埋め込みテキストがある可能性が高いです。ページ全体が四角く選択されるだけなら、画像スキャンの可能性があります。検索できるのにコピー結果が間違う場合は、OCR済みだが認識精度の低いテキスト層が入っているかもしれません。
この違いは重要です。PDFのテキスト抽出APIは、ページを人間のように見直すのではなく、PDF内のテキスト内容を読みます。PDF.jsの getTextContent() はページのテキスト内容を返し、空白を通常のスペースに正規化します（PDF.js API、2026-08-17参照）。またPDF AssociationのFAQも、スキャン文書を検索可能にするにはOCRで文字層を追加する必要があると説明しています（PDF Association PDF/A FAQ、2026-08-17参照）。
文字が入っているPDFでLutrakitを使う
基本の手順は次の通りです。
- PDFテキスト抽出を開く。
- PDFを1つドロップする。現行上限は1ファイル100 MB。
- ページ境界が必要ならページ別の区切りをオンにする。連続した文章でよければオフのままにする。
report-textのような出力名を入れる。- 実行し、生成された
.txtをダウンロードする。
ページ別の区切りは、請求書、議事録、フォームの確認に向いています。ページ番号ごとの見出しが入るため、「7ページ目の金額が抜けていないか」のような確認をしやすくなります。
作例
再配布可能な3ページ構成のサンプルPDFを使います。
| ページ | 内容 | 期待する結果 |
|---|---|---|
| 1 | デジタル文字: “Invoice A-1024, total 148.60 EUR” | 同じ語句と数値が .txt に出る。 |
| 2 | 2段組のメモ | 文字は出るが、列の順序を確認する必要がある。 |
| 3 | “Signed on 17 August 2026” と書かれたスキャン画像 | OCR層がなければ空、またはほぼ空になる。 |
再現可能な確認として、ブラウザ、OS、Lutrakitのリビジョン、サンプルファイルのハッシュ、期待テキスト、実際の出力、不一致を記録します。
読み順が崩れる理由
PDFはページの見た目だけでなく、描画命令や文字の配置情報を持っています。見た目は普通の段落でも、内部では細かい文字列、2段組、ヘッダー、フッター、特殊フォントに分かれていることがあります。抽出ツールはそれらの情報をたどるため、人間が自然に読む順番と一致しない場合があります。
よくある問題は次の通りです。
- ヘッダーやフッターが本文の途中に入る。
- 2段組の左列と右列が交互に混ざる。
- 合字や特殊フォントで文字が化ける。
- 日本語など、単語間スペースがない言語で不自然な空白が入る。
- OCR済みスキャンで
Oと0、lと1のような誤認識が残る。
法務、学術、会計、アーカイブ用途では、抽出テキストだけを証拠にしないでください。必ず元のPDFと照合します。
スキャンPDFの場合
画像だけのPDFでは、最初にテキスト抽出をしても十分な結果は出ません。先に画像を整え、OCRを行います。
- 傾きを直す。Tesseractの品質ガイドは、傾いた画像では行分割の品質が大きく下がるため、文字行が水平になるよう回転することを勧めています（Tesseract ImproveQuality、2026-08-17参照）。
- 可能なら清潔で高解像度のスキャンを使う。同ガイドは300 DPI以上が役立つ場合があるとしています。
- 黒い縁を取り除き、適度な白い余白を残す。
- ローカルまたは信頼できるOCRツールで文字層を作り、その後に必要なら
.txtを抽出する。
PDF傾き補正は画像をまっすぐにする補助にはなりますが、OCR文字層は追加しません。きれいな画像は後段のOCRを助けますが、それだけで検索可能PDFになるわけではありません。
結果の確認方法
全文を何となく眺めるより、小さな監査をします。
- 元PDFのページ数と、抽出結果のページ区切りを比べる。
- 重要なページごとに固有の語句や番号を1つ検索する。
- 金額、日付、氏名、IDをPDF画面と照合する。
- 2段組では、少なくとも1セクションを通して読み順を確認する。
- OCR済みスキャンでは、重要な文字を目視で読む。
抽出テキストを別のシステムに入れる場合も、元PDFを保管してください。.txt は検索用の作業ファイル、PDFは見た目の基準です。
使わない方がよい場面
低品質スキャン、手書き、複雑な表、チェックボックス付きフォーム、レイアウト自体が証拠になる文書では、この方法だけに頼らないでください。OCR、文書解析、PDFデスクトップアプリ、または手動確認が必要です。
Lutrakitが得意なのは、すでに存在するPDF内テキストをローカルで取り出し、自分で確認できる形にすることです。ファイルのバイトは端末から出ず、出力はブラウザ内の処理結果としてダウンロードされます。