PDF Word 変換 — アップロードせずに編集可能なテキストを抽出

Word から PDF への変換は描画の問題です。記述されたレイアウトを受け取り、描けばよい。PDF から Word はその逆ですが、逆方向は対称ではありません。逆向きの変換は再構築の問題であり、再構築は描画よりはるかに難しいのです。

PDF が保存するのは字形であって文章ではない

PDF ファイルには段落も見出しも記録されていません。記録されているのは、特定の座標に個々の文字を描けという命令です。PDF を Word に変換するとは、位置データから構造を逆算するということです。

Word ファイルは「これは『四半期報告』というテキストを含む見出し 1 である」と言います。PDF は「フォント F2 を 22 ポイントで設定し、x=72 y=782 に移動し、四-半-期の字形を表示せよ」と言います。ファイルのどこにも見出しである印はありません。周囲より大きいという事実から推測するしかないのです。

段落を逆算しなければならない理由

テキストは座標付きの断片として届き、単語の途中で分割されていることも、単語間のスペースが丸ごと欠けていることも珍しくありません。読める文章を復元するには、垂直位置で断片を行にまとめ、水平の隙間が示唆する箇所にスペースを挿入し、そのうえで、どの改行が折り返しで、どれが段落の境界かを判定する必要があります。

これらの工程はすべてヒューリスティックです。本ツールのものは文書化されテストされていますが、それでも推測は推測です。だからこのページは、出力のどの部分が推測なのかを明示し、すべてを事実であるかのように提示しません。

スキャン文書という問題

スキャンされた PDF に入っているのはテキストの画像であって、テキストではありません。OCR なしには、どれだけ解析しても文字は復元できません。

これはあらゆる PDF Word 変換ツールにおける、最もよくある失望の原因です。多くの人が「このツールは動かない」と結論づける理由でもあります。同僚がスキャンした契約書を入れたら、何も入っていない Word ファイルが返ってくる——たいてい何の説明もなしに。

OCR とは何か、なぜ本ツールにないのか

光学文字認識（OCR）は画像を見て、どの形がどの文字かを判定します。テキストレイヤーを読むのとはまったく別の技術で、比較的低速であり、ブラウザ版を作るには認識モデルを訪問者全員に配信する必要があります。

そこで本ツールは次善の策をとります。状況を検出し、ファイルを置いた直後の最初の画面ではっきりお伝えするのです。検出処理は、スキャンページが完全には空でないことも考慮しています。スキャナーはページ番号を印字し、部分的な OCR は残骸を残すため、ごく少数の文字しかないページはテキストではなくスキャンとして扱います。

これはテキスト抽出ツールであって、レイアウト変換ツールではありません。PDF の文字を、編集可能な Word ファイルとして復元します。元のページデザインは再現しません。

テキスト抽出とレイアウト変換の違い

「PDF を Word に」と言うとき、人が意味するものは実は 2 種類あります。レイアウト変換は文書を再構築しようとします。表は表として、段組みは段組みとして、画像は元の位置に。それには商用エンジンか大がかりなサーバー側の仕組みが必要で、優れた実装はすべてサーバー側です。

テキスト抽出が取り出すのは、文字、読み順、そして確信を持って推定できる範囲の基本構造です。条項の引用、段落の再利用、レポートからの数値の取り出しといった多くの実務では、それで用が足ります。

向いている人 — 向いていない人

向いているのは、PDF の中のテキストを編集・引用・再利用したい方、そして文書を見知らぬサーバーにアップロードしたくない方です。

向いていないのは、Word ファイルが PDF と同じ見た目である必要がある場合、表の多い文書の場合、そしてスキャンの場合です。これらのケースと、代わりに使うべきものは、このページの後半で説明しています。

あらゆる PDF Word 変換ツールが、どこかにこの線を引いています。ただ、その線がどこにあるかを見せないだけです。

確実に抽出されるもの

本文テキスト。1 段組みの文書における読み順。埋め込みフォント名から判定される太字と斜体。ハイパーリンクの表示テキスト。

一般的なレポート、書簡、記事なら、これで内容の実質すべてです。

推定されるもの — ときに間違うもの

見出しレベル、段落の境界、箇条書きと番号付きリスト。これらはファイルから読み取るのではなく座標から導くもので、まさにその理由から、プレビューでは「推定」としてラベル付けしています。

フォントサイズから見出しレベルを推測する仕組み

文書内で最も出現頻度の高い文字サイズを本文サイズとみなし、それより十分大きいものを昇格させます。1.6 倍以上は見出し 1、1.35 倍は見出し 2、1.15 倍は見出し 3 です。

平均ではなく最頻値を使うのは意図的です。平均は大きなタイトルに引きずられて上がり、そうなると当のタイトルが見出しとして認識されなくなります。基準値は文書全体で計算するため、大きな文字だけで組まれた表紙が、以降のページの判定を歪めることもありません。

サイズではなく太さや色で見出しを表す文書では、見出しは検出されません。これは実在する制限であり、プレーンテキストモードはそのためにあります。

非対応のもの

表は表としてではなく、ばらけたテキストとして出力されます。画像は引き継がれません。ヘッダー、フッター、ページ番号は、置かれていた位置の通常テキストとして抽出されます。正確なレイアウト、配置、フォント、サイズは一切再現されません。

表、画像、スキャンページ

段組みのページは、黙って交互に混ぜるのではなく、検出してフラグを立てます。段をまたぐ読み順は本当に曖昧だからです。2 段組みの学術論文は、段ごとに縦へ読むことも、ページを横へ読むこともでき、ファイルにはどちらか書かれていません。

スキャンページからは何も得られません。その旨は、書き出す前に報告されます。

PDF Word 抽出の現実的な用途には共通の形があります。ほしいのは文字であって、デザインではない、ということです。

契約書やレポートからの引用

PDF から条項を手で打ち直せば、まさに誤りが許されない種類の文書で転記ミスを招きます。抽出なら文言を一字一句そのまま取り出せます。そして契約書なら、ファイルが一度も手元を離れていないという事実は、決して些細なことではありません。

研究論文のテキストの再利用

学術 PDF はこのツールの典型的な用途であり、同時にその限界の典型例でもあります。テキストはきれいに取り出せますが、2 段組みの論文にはフラグが立ちます。読み順が本当に曖昧だからです。抽出したうえで、手作業で並べ替えてください。

請求書からのデータの取り出し

請求書の明細は表の中にあり、グリッドではなくばらけたテキストとして出力されます。それでも打ち直すよりは速く、数字は印字どおり正確に取り出せます。

古い文書の再活用

古い PDF のパンフレットやマニュアルを編集可能な原稿に戻す作業は、たいてい文字が目的で、デザインは目的ではありません。デザインはどのみち作り直すのが普通だからです。

ここでプライバシーが重要な理由

人が最も抽出したがる文書——契約書、医療機関からの書簡、財務諸表——は、最もアップロードすべきでない文書でもあります。ローカル処理は、この問いに答えるのではなく、問いそのものを消し去ります。

PDF Word 変換が最後の工程になることはまれです。テキストが Word に入り、編集を終えたら、PDF へ戻すのが自然な次の一手です。当サイトの Word PDF 変換ツールも完全にブラウザ内で動作するため、往復のどこにもサーバーは登場しません。

元の素材が複数の PDF に分かれているなら、先に結合して一度で抽出するほうが、何度も抽出して Word 上で結果をつなぎ合わせるより効率的です。

ここにあるものはすべて同じ原則で動いています。ファイルはお使いのマシンに留まります。同種のツールは無料 PDF ツールのページに、画像ツールはすべての無料ブラウザツールにまとめてあります。