本文へスキップ
Convertube

PDF ファイルとは：文字を取り出すのがこれほど難しい理由

PDF が実際に保存しているもの、Word に変換するとレイアウトが崩れる理由、スキャンした PDF とデジタルの PDF の違いを解説。PDF はブラウザ内で変換でき、アップロード不要です。

概要

種類
ドキュメント
拡張子
.pdf
MIME タイプ
application/pdf
別名
Portable Document Format

PDF が記述しているのは文書ではなく、完成したページです。そのコンテンツストリームは描画命令の並びで、このフォントを設定する、この座標に移動する、このグリフの列を表示する、このパスを線で描く、といった命令が続きます。これは Adobe がプリンターを動かすために設計した PostScript をほぼそのまま受け継いだものです。この系譜で、この形式を特徴づける 2 つの性質がどちらも説明できます。ビューアーに判断を委ねる部分が何もないので、どこで開いても同じに見えること。そして、人間の目に見える構造が一度も書き留められていないので、中身を取り出すのが並外れて難しいことです。

続きを読む

具体的に言うと、PDF には段落も行もなく、単語さえないことがよくあります。あるのは、位置を指定されたグリフの並びです。今読んでいるこの文も、計算された座標に置かれた十数個の別々の並びとして保存されているかもしれず、2 つの単語の間の空白も、スペース文字ではなく単にインクがないだけかもしれません。そのため、PDF からテキストや Word への変換ツールは、このサイトのものも含めてすべて再構成を行っています。ベースラインをもとに並びをまとめて行を復元し、段落の区切りを推測し、文字の大きさから見出しを推定するのです。普通の文章ならうまくいきますが、段組みや表は平らになってしまいます。それらを保つのに必要な情報が、もともとファイルに入っていないからです。

次に知っておくべきなのは、「PDF」がまったく異なる 2 つの状況を指しているということです。Word やブラウザから書き出した PDF には、検索やコピーのできる本物の文字が入っています。スキャナーやスマートフォンのカメラで作った PDF には、ページの写真が入っているだけで、文字はまったくありません。単語はピクセルであり、文字認識なしでは何も取り出せません。このサイトはその場合を検出し、ファイルをアップロードするのではなく、お使いのパソコン上で AI の認識モデルを実行します。これは珍しいことです。OCR は通常、変換ツールが文書をサーバーに送る場面だからです。

PDF は、プライバシーが抽象的な話ではなくなる場所でもあります。契約書、給与明細、銀行の取引明細、診療関係の書類、請求書、スキャンした身分証明書は、この形式でやり取りされます。ここでの変換はすべてページの中で行われます。PDF はブラウザ内のコードによって開かれ、描画され、読み取られ、ファイルを運ぶ通信は 1 つもありません。この変換ツールがこうした作りになっている理由はそこにあり、それが最も重要になるのが PDF です。

PDF ツール

ページ単位の編集で、形式の変換は伴いません。14 種類すべてがお使いの端末上で動作します。

PDF を他の形式に変換

他の形式を PDF に変換

PDF:よくある質問

なぜ PDF を Word に変換すると、いつもきれいにならないのですか？

PDF が保存しているのは構造ではなく、位置を指定されたグリフだからです。変換では座標から段落、見出し、読む順序を推測する必要があり、表や 2 段組みとして記録されていなかったものを復元する方法はありません。レイアウトをよりよく保てる変換ツールは、完全なオフィススイートを備えたサーバーでページを描画しています。つまり、あなたのファイルを受け取っているということです。

自分の PDF がスキャンされたものかどうかは、どうすればわかりますか？

PDF リーダーで文字を選択してみてください。単語を選択してコピーできるなら、そのファイルにはテキストレイヤーがあります。カーソルで画像の上に四角形が描かれるだけなら、それはスキャンで、文字を取り出すには文字認識が必要です。

ここでの OCR では文書がアップロードされますか？

されません。PDF にテキストレイヤーがない場合、AI の認識モデル（パラメーター数 500 万のニューラルネットワーク）がお使いのブラウザにダウンロードされ、そこで実行されます。初回は約 21 MB で、以降はキャッシュされます。OCR を提供している他の変換ツールは、どれもファイルをサーバーに送っています。

認識の精度はどのくらいですか？

私たちのテストでは、きれいに印刷された文書で文字の約 98% を正しく認識でき、中国語でも英語でも同様でした。実際のスキャンはもっと難しく、印鑑、手書き、低い解像度、斜めに読み込まれたページなどはいずれも精度を下げます。出力は下書きとして扱い、原本と照らし合わせて確認してください。

なぜ PDF のファイルサイズの上限は動画よりずっと低いのですか？

上限は 80 MB です。ページはフル解像度のビットマップとしてメモリに描画され、そのコストは PDF がどれだけよく圧縮されているかではなく、ピクセル数で決まるからです。動画の変換はファイルを流れるように処理しますが、PDF のページはラスター画像として一度に丸ごと存在しなければなりません。

どの PDF 変換を選べばよいですか？

文字を検索したり貼り付けたりしたいなら TXT。編集したくて、レイアウトが失われてもかまわないなら DOCX。ページを今の見た目のまま残したいなら JPG か PNG で、写真のようなスキャンなら JPG、文字や図なら PNG です。

画像を PDF にできますか？

はい、しかもロスレスでできます。PDF は JPEG と PNG のデータをそのまま格納できるので、画像は再圧縮されずにそのまま埋め込まれます。できるページは A4 に合わせられるのではなく、画像のピクセル寸法に一致します。

パスワードで保護された PDF に対応していますか？

対応していません。暗号化された PDF は読み取りも描画もできないため、白紙のページを出力するのではなく、その旨のメッセージを表示して処理は失敗します。先に PDF リーダーでパスワードを解除してください。