仕組みと内部処理
PDFのバイト配列を専用の `pdfjs-dist` Web Workerに読み込み、ページ範囲指定(`all` または `1-4, 7` など)を解析してテキスト要素の `(x, y)` ベースライン座標を取得します。同一の水平行(`yTolerance = 3.5`)に属する要素をグループ化して左から右へ並び替え、自然なプレーンテキストまたはMarkdownを生成します。
使い方ステップ
PDFファイルを選択します(ファイルはブラウザメモリ内のみで処理されます)。
必要に応じてページ範囲(`all` または `1-3, 5`)を入力し「Re-Extract」をクリックします。
出力形式(`Plain Text (.txt)` または `Markdown (.md)`)とページ見出しの有無を選びます。
抽出したテキストをクリップボードにコピーするか、`.txt` / `.md` ファイルとして保存します。
主な機能と特長
- 行ベースライン座標の再構成により、単語順の崩れやバラバラな断片化を抑制
- 単一ページ・複数範囲混在(`1-3, 6, 9-12`)に対応した柔軟なページ指定
- プレーンテキスト(`.txt`)およびMarkdown(`## Page N` 見出し付き)での直接エクスポート
- 抽出されたページ数と総単語数をリアルタイムに表示
- サーバー転送ゼロ:秘密保持契約書(NDA)、医療文書、財務書類でも安心
計算ロジック・仕様・技術基準
各テキストトークンを `3.5` PDFユーザー単位以内のベースライン `y` 近接度でクラスタリングし、`transform[4]`(`x` 座標)で水平ソートしたうえで余分な連続空白を整形しています。
主な利用シーン
- NDAや業務委託契約書から特定条項のテキストを取り出してローカルで確認・要約
- 数百ページある技術マニュアルPDFから必要な章だけをピンポイントでテキスト化
- 検索可能なPDF請求書・領収書の明細をコピーして会計ソフトへ転記
- 論文や調査資料の抜粋をObsidianやNotion向けのMarkdown形式で整理
入出力の例・エッジケース
Selective Page Range Extraction
Pages: `1-2, 5` on a 12-page contract
Extracts only pages 1, 2, and 5 with clear page dividers
Avoids copying boilerplate appendices when you only need key clauses.
Scanned PDF Detection Note
Image-only scanned document page
_No extractable text layer on this page._
If a PDF lacks an embedded text layer, switch to our Batch OCR tool.
仕様上の制限・精度に関するご注意
- • PDF内部に埋め込まれたデジタルテキスト層のみを抽出します。画像のみで作成されたスキャンPDFからはテキストを取得できないため、画像スキャンにはBatch OCRツールをご利用ください。
- • 極端に狭い行間の多段組(マルチカラム)学術論文レイアウトでは、同じ高さの左右カラム行が1行に結合される場合があります。
ブラウザ内ローカル処理とプライバシー保護
一般的なWebツールは文書やメディアを外部サーバーへ送信します。PDF テキスト抽出ツール(オフライン対応) はお使いのブラウザタブ内のみで完結します:
入力テキストやファイルは端末内で処理され、外部の処理サーバーへアップロードされません。
作業内容や貼り付けたデータを保存・記録しません(通常の静的配信CDNリクエストのみ発生します)。
作業データはタブ内のメモリ上のみに保持され、リセットまたはタブを閉じると破棄されます。
よくある質問 (FAQ)
スキャンしたPDFを読み込んだのにテキストが空(空白)になるのはなぜですか?
スキャンPDFは文字データではなくページ全体の画像として保存されているためです。画像スキャンPDFの文字認識にはMicrodeckのオフライン対応「Batch OCR」ツールをご利用ください。
機密PDFがCloudflareや外部APIへアップロードされることはありますか?
いいえ。`pdfjs-dist` が隔離されたブラウザ内のローカルWeb Workerでバイトデータを解析するため、ネットワーク送信は一切発生しません。
PDF全体ではなく特定のページだけを抽出できますか?
はい。Pages欄に `1-3, 5` のように範囲を入力して「Re-Extract」をクリックすれば指定ページのみ抽出されます。
`.txt` と `.md` 出力の違いは何ですか?
`.txt` は `=== Page N ===` の区切りを使用し、`.md` はMarkdownの見出し記法 `## Page N` と空白ページのプレースホルダーを出力します。