PDF をテキストに変換

最も素朴な抽出方法は、pdf.js が返す断片をそのままつなげることです。1 行で書けて、結果もほとんど正しく見えます。だから多くのツールがそうしています。2 ページの税務フォームでは、その方法は 76 か所の改行で単語をつなげてしまいました。論文 8 ページでは 293 か所です。「permission toreproduce」「neural networksin particular」のようなものが文書の各所に散らばり、使う前に気づけるとは限りません。

より根が深いのは順序です。PDF は文字をページに描く順で保存しますが、それは読む順序ではありません。フォームでは、区切り記号が最後に描かれるために日付欄が「MM DD YYYY/ /」として出てくることがあります。2 段組みのページでは左右の段が 1 行ずつ交互になります。PDF リーダーで 1 ページ全選択して貼り付けたときに起こるのが、まさにこれです。当サイトは文字が実際に置かれている位置から読む順序を組み直します。だから「MM / DD / YYYY」が戻り、各段もひとまとまりのまま残ります。

そして、まるごと見落とされがちなものがあります。PDF フォームに記入した場合、その答えはページの本文には 1 文字も入っていません。フォームフィールドの側にあるため、ページしか読まない抽出ツールは白紙のひな形を渡しながら、うまくいったように見えてしまいます。当サイトはそれも集めて末尾に加えます。また、一部の PDF 生成ソフトは正しく見えて実は違う文字を出力します。中国語の文書が康熙部首だらけになることがあり、画面では見分けがつかず、検索にもかかりません。お渡しする文字列はすべて正規化し、本来の文字に戻しています。