PDFのテキスト保存の仕組み
PDFのページは、「フォントF2のグリフ37をx=72、y=640の位置に描画せよ」といった描画命令の集まりです。多くのファイルには「段落」「列」、さらには「単語」という概念すら存在せず、あるのは位置情報を持ったグリフのみです。テキストをコピーする際、閲覧ソフト（ビューア）は、それらのグリフがどのように単語、行、段落を形作っているかを推測しています。ほとんどの場合はうまく推測できますが、失敗すると次のような問題が発生します。
問題1：テキストがまったくコピーできない
原因： ページが画像（スキャン画像、写真、またはラスタライズされたエクスポート）になっています。コピーできる文字データが存在しません。 解決策： OCRを実行します。当サイトのPDFテキスト抽出ツールは、画像のみのページを検出し、自動的にOCRを実行します。詳しくはスキャンされたPDFを要約する方法をご覧ください。
問題2：文字化けや記号になってしまう
原因： グリフからUnicode文字への正しいマッピングがないフォント（サブセットフォントや独自エンコードのフォントなど）が使用されています。ビューアはテキストを「描画」する方法を知っていても、それがどの文字を表しているのかを把握できていません。 解決策： まず別の抽出ツールを試してください。どのツールでも文字化けする場合は、PDFをスキャン文書とみなし、フォントデータではなく文字の形状を読み取るOCRを使用します。
問題3：不自然な改行やハイフンが入る
原因： PDF内では、各行が個別のテキストランとして存在しています。コピーすると、レイアウト上の改行や行末のハイフンがそのまま保持されてしまいます。 解決策： 段落内の行を結合し、行末のハイフンを削除するクレンジング処理を行います（当サイトの抽出機能にはこの機能が含まれています）。
問題4：段組みがめちゃくちゃになる
原因： 多段組みのレイアウトにおいて、単純な抽出ツールはページを左から右へ行ごとに読み進めるため、列同士が混ざってしまいます。 解決策： 読み順（リーディング・オーダー）を考慮した抽出を使用します。テキストブロックをグループ化してから読み取る機能を持つ、最新のツールの大半はこの方式を採用しています（レイアウト保持モードでは正しく抽出されないことがあります）。
問題5：スペースが抜けたり、余分なスペースが入ったりする
原因： 一部のPDFでは、単語ごと、あるいは文字ごとにスペース文字なしでバラバラに配置されています。抽出ツールは文字間の隙間からスペースを推測しなければなりません。 解決策： 別の抽出エンジンを使用するか、最終手段としてOCRを実行します。
問題6：表（テーブル）がバラバラになる
原因： 表は単にグリッド状に配置されたテキストにすぎず、ほとんどのPDFにはテーブル構造のデータが含まれていません。 解決策： データとして利用したい場合は、専用の表抽出ツールを使用してください。内容を把握したい場合は、表についてAIに質問してください。AIは通常、行ごとの抽出データからでも表を解釈できます。
問題7：コピーが制限されている
原因： PDFにコピー機能を無効化する権限フラグが設定されているか、パスワードで保護されています。 解決策： コンテンツを利用する正当な権利がある場合は、パスワードを入力して開き、新しいPDFとして再印刷（プリント・トゥ・PDF）してください。文書のライセンスを遵守してください。
よくある質問
PDFからコピーしたテキストに、あちこち改行が入ってしまうのはなぜですか？
PDF内では行ごとにテキストが分かれて保存されているためです。段落を自動で結合するツールに貼り付けるか、改行を整理してくれる抽出ツールを使用してください。
PDFからコピーすると変な記号になってしまうのはなぜですか？
フォントに適切な文字マッピングが欠けているためです。通常はOCRを使うのが最も確実な解決策です。
スキャンされたPDFからテキストを抽出するにはどうすればよいですか？
OCRを使用してください。当サイトのPDFテキスト抽出ツールは、テキストレイヤーのないページを検知すると自動的にOCRを実行します。
書式をそのまま維持することはできますか？
プレーンテキストの抽出では、フォントやレイアウトは失われます。書式を保持したまま編集したい場合は、PDFをWord形式に変換した上で、多少の修正を行ってください。