新・元地方の中規模印刷会社で苦悩するWebデザイナー改めWebディレクターの日記

自由な20代、窮屈な30代を経て、遂に40代になっちまったWebディレクター&パソコン講師の覚書と思う言(こと)。略称【ちほちゅう】

*

テキストが選択できないPDFファイルからテキストを抽出する方法

   

  • このエントリーをはてなブックマークに追加

1年以上前の記事です。内容が古い可能性があります。

時々、PDFファイルを渡されて「これをホームページにしてくれない」と言われることがある。
PDFだったらそのままPDFでリンクだけ張っちゃろうかい! なんて思うこともあるが
そういうわけにも行かず、PDFファイルからテキストをコピー&ペーストしてセコセコHTMLファイルにするのだが、
中にはセキュリティ上の問題かテキストが選択できないPDFファイルもある。
だからって、プリントアウトして文字入力なんて非生産的なことはできない。
そんなときに使えるツールを発見しました。

スポンサーリンク
 

xdoc2txt - PDF,WORD,EXCEL,一太郎などの各種バイナリ文書からテキストを抽出

「xdoc2txt」は、各種ファイルからテキストを抽出するツールです。
その中にPDFファイルも含まれていて、上記テキスト選択ができないファイルからもテキスト抽出できます。

このツール、基本的にはコマンドプロンプトでの作業になるのですが、
ちょっとした設定でファイルをドラッグ&ドロップすることでテキスト抽出させる方法もあります。
以下、その手順をお教えしましょう。

1. 上記サイトからxdoc2txtをダウンロードします。
2. 解凍後、本体「xdoc2txt.exe」のショートカットを作成します。デスクトップでいいでしょう。
3. ショートカットを右クリックでプロパティ表示にします。
4. リンク先の末尾に「-f」と入力します。
xdoc2txt
以上でOK!
PDFファイルをドラッグ&ドロップすればデスクトップに抽出されたテキストファイルができるはずです。

■3月17日追記
xdoc2txtより強力なツールの紹介です。
編集不可のPDFファイルから本文をコピーする方法を教えてください。目的は英語の論文に翻訳ソフトを使用したいのです。.. – 人力検索はてな

http://www.bravaviewer.jp/reader.htm
Brava! Reader
このビューアを使えば、編集不可のpdfから、テキストをコピーすることができます。pdfを表示した後、「編集」→「選択」の後、矩形領域を選び、CTRL-Cまたは「編集」→「コピー」により、テキストをコピーします。

つまり、セキュリティが解除された状態でPDFを開くことができるツールのようです。
これはある意味バグ?なのでは。。

xdoc2txtはdos窓のコマンドラインでないと動かないと思います。それに、少なくとも日本語のpdfでは、空白やタブが無視され、ベタのテキストになってしまいます。
pdf表示→画面コピーは解像度が低く、これまで試した限りでは、ocrでは満足する結果が出ていません。拡大表示すればよいのですが、手間がかかり過ぎて...

と、それぞれの問題点を説明しています。

 - パソコン教室, 覚え書き

アドセンス広告メイン

Comment

  1. 実際に、組織の展覧会は、通常、<タイトル="ナイキエアマックスskyblineは"href ="http://www.footcheap.com/nice-nike-air-max-skybline-shoes.htm 目標を持っている優秀な場所です= "_blank">ナイキエアマックスskybline の消費者。

  2. 通りすがり より:

    大変参考になりました。
    困っていたので、たすかりました。
    ありがとうございました。

  3. Akira より:

    私が使用GTText(www.softocr.com)
    それはまた、良いプログラムです。

Vibram Five Fingers Shoes へ返信する コメントをキャンセル

メールアドレスが公開されることはありません。

  関連記事

「livedoor Blog(ライブドアブログ)」から「WordPress(ワードプレス)」へ全記事をインポートする方法【ブログのお引越し】

1年以上前の記事です。内容が古い可能性があります。ブログ移転後にした作業を少しず …

mixiへの書き込みで即日解雇

1年以上前の記事です。内容が古い可能性があります。ホント、こんなだから匿名で書く …

オフィス2007(Office 2007)を入れてみた

1年以上前の記事です。内容が古い可能性があります。その前に今まで入っていたオフィ …

WordPress(ワードプレス)テーマで使った画像やJSファイルの場所 #wp

1年以上前の記事です。内容が古い可能性があります。といった具合に各コンテンツを固 …

雇用契約書(労働条件通知書)は日付のちゃんと入っているものを用意してもらおう

1年以上前の記事です。内容が古い可能性があります。このところ、不幸自慢となってし …

「お正月」は七日(松の内)まで、「元旦」が「元日」の朝(午前中)は誤り

1年以上前の記事です。内容が古い可能性があります。なんかもう、正月も随分前のよう …

大金を払わなくても入院、手術が受けられる。「限度額適用認定証」を活用しよう

1年以上前の記事です。内容が古い可能性があります。世の中はすべて金。 金のない人 …

タンブラー(Tumblr)とブログの連携をひとまずやめた

1年以上前の記事です。内容が古い可能性があります。タンブラー(Tumblr)って …

Windows 10にいつでもアップグレードできてWindows 7を使い続ける方法

1年以上前の記事です。内容が古い可能性があります。なるほどこの手があったのか。 …

WordPress(ワードプレス)の管理バーの高さを無視させたり、非表示にさせたりする方法

1年以上前の記事です。内容が古い可能性があります。WordPressでデザインを …

血液型オヤジ