TXT ファイルとは：プレーンテキストと、「プレーン」が切り捨てるもの
プレーンテキストに書式がない理由、文字コードと改行コードの違いが引き起こすこと、PDF からテキストを抽出すると何が得られるかを解説。TXT 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
- .txt
- MIME タイプ
- text/plain
.txt ファイルは文字だけでできていて、それ以外は何もありません。フォントもサイズも太字も見出しも画像も、ページ構造もありません。その「何もない」ことこそが要点です。プレーンテキストはあらゆるプラットフォームのあらゆるツールで読め、50 年後でも開くことができ、検索も grep も diff も、別のプログラムへの受け渡しも簡単にできる形式です。
続きを読む
テキストファイルのトラブルの大半は、目に見えない 2 つの要素が原因です。1 つは文字コードです。同じバイト列でも UTF-8、Windows-1252、GB18030 のどれとして読むかで別の文字になるため、あるエディタでは読める文章として開けるファイルが、別のエディタでは文字化けします。このサイトが書き出すものはすべて、現在の標準である UTF-8 です。もう 1 つは改行コードです。Windows は復帰（CR）と改行（LF）の組み合わせを使い、Unix と macOS は改行（LF）だけを使います。ファイルが 1 行につながって見えたり、余計な文字が混じったりするのはそのためです。
このページにたどり着くいちばん多い経路は、PDF からのテキスト抽出です。何が残るのかを正確に知っておく価値があります。行はページ上の文字の位置から組み立て直されるので、出力でも改行は保たれます。段落構造、見出し、強調、表、段組みは、そもそもプレーンテキストでは表現できません。それらが必要なら変換先は Word です。Word への変換も同じ経路をたどり、PDF がスキャン画像の場合はデバイス上での文字認識も行います。
TXT を他の形式に変換
他の形式を TXT に変換
TXT:よくある質問
出力の文字コードは何ですか？
UTF-8 です。現在の標準で、あらゆる言語を扱えます。古いエディタで文字化けして見える場合は、たいていそのエディタが旧来の文字コードを前提にしています。
テキストファイルが 1 行につながって表示されるのはなぜですか？
改行コードの違いです。Windows は復帰（CR）と改行（LF）の組み合わせを想定し、Unix と macOS は改行（LF）だけを使います。そのため、Windows の一部のエディタでは Unix のファイルが 1 行として表示されます。
PDF からテキストを抽出すると何が失われますか？
文字と改行以外のすべてです。見出しも太字も表も画像も段組みも残りません。構造が必要なら、代わりに DOCX に変換してください。
2 段組みの PDF がテキストファイルでばらばらになるのはなぜですか？
PDF は段組みではなく位置の決まった文字を保存しているため、読む順番を推測するしかないからです。そして段組みが複数あるレイアウトでは、その推測がよく外れます。これは形式そのものに由来する問題です。
スキャンした PDF でも使えますか？
使えます。PDF にテキストレイヤーがない場合は、AI の文字認識モデルがブラウザ内で動き、ページ画像から文字を読み取ります。アップロードは一切ありません。
DOCX ではなく TXT を選ぶのはどんなときですか？
文書ではなく言葉そのものが欲しいときです。検索したい、メモに貼り付けたい、別のツールに渡したい、あるいは何十年後でも開ける形で保存しておきたい、といった場合です。