LinutMintでPDFからTextを作成する方法
記事の更新日:2026/09/29 評価を加筆 1.概要 PDFは汎用性が高く、様々な場面で利用されています。一番の特徴はデータのセキュリティを保つことです。Excelなどの表計算ソフトはタブを利用することで3次元的にデータを保管しています。これをPDFにすることで特定のタブのデータだけを選択して、読み出し専用のデータにすることができます。 しかし、PDFからTextを切出したい事があります。不思議なことにPDFのテキスト部分をドラッグ&ドロップでテキストに取れることもあります。しかし、何も操作できないこともあります。少しネットで調べて、PDFからTextの作成方法を実施したのでその内容を記述します。 私の評価は以下の通りです。 (1) PDFには内部にテキスト文書を保存しているものがあります (2) テキスト文書がある場合は、コマンドで簡単に取り出すことができます (3) テキスト文書がない場合、PDFをイメージに変えて、OCRで読み込みます (4) PDFは活字ですが、OCR読み込みは完全ではありません。修正が必要です 2.詳細 (1) PDF内部にText文書がある場合 PDFには種類がありますが、PDF内部にText文書があるものと、そうではないものがあります。PDF内部にText文書があるものは、比較的かんたんにPDFからTextを作成できます。 ubuntuでは、pdftotextコマンドを利用できます。 (2) PDF内部にText文書がなく、イメージファイルの場合 pdftotextを実行しても何も出力されない場合が該当します。 この場合はPDFをイメージファイル(png)に変換して、OCRソフトでTextにします。 PDFをPNGに変更するためには、pdftoppmを利用します pdftoppm -png xxxxxx.pdf yyyyyy yyyyyy.zzzzz.pngが作成されます。 pngをOCRソフトでTextを切り出すには、tesseractを利用します sudo apt install tesseract-ocr sudo apt install tesseract-ocr-jpn tesseract yyyyyy.zzzzz.png output -l jpn output.txtが作成されます。 3.所見 PDF内にTestが存在...