無料・登録不要・ファイルは送信されません

そのPDF、
きれいに取り出せますか

表・文字化け・スキャンした書類を、ブラウザの中だけで診断します。何ページ・どの表が取り出せるかを、アップロードせずに確認できます。

コピーすると、こうなります

論文や官公庁の資料でよく起きます。画面には正しく表示されているので、見た目では気づけません。

総務省の通知PDFの1ページ目。宛先と表題が正しい日本語で表示されている — □ は、その文字を表示できる書体が手元に無いという印です。化けた先が20以上の文字体系にばらけるため、こうなります。この通知PDFは上のサンプルからそのまま試せます。

どこまで正確に取り出せるか

官公庁と上場企業の実物PDF 500ページ を通し、取り出した数値が元PDFのテキスト層と一致するかを約3万個について機械的に照合した結果です。

取り出す対象	数値の一致率	扱い
表	92.6%	確定値。階層ヘッダ・結合セルを保ったまま Excel へ
本文	92.0%	確定値
グラフ	45.5%	推定値として明示します。読み取れないものは結果を出しません

グラフは弱点です。数値のラベルが図の中に書かれていないグラフは、曲線や棒の高さからの推定になります。そのため確定値としては扱わず、推定値と分かる形で表示します。グラフの数値を確定値として使いたい用途には、現状では向きません。複数のグラフが1つの図に並んでいるものは対象外です。
一致率は「PDFの文字情報と突き合わせられた割合」であり、文字情報を持たないスキャン文書には別の基準が要ります。

開放時の料金

1文書ごとの買い切りです。アカウントは要りません。出力形式（Excel・Word・Markdown）は全部込みで、何度でも書き出せます。

ページ数	価格
1〜10	¥100
11〜30	¥180
31〜60	¥280
61〜100	¥380
101〜200	¥580
201〜	クレジット（前払い）

無料診断は今すぐ使えます。書き出しは先行利用の順に開放します。

原因と、直し方

なぜ起きるのか

PDFには文字の形（グリフ）と、それがどの文字なのかの対応表が別々に入っています。この対応表（ToUnicode CMap）が欠けていると、コピーしたときにグリフの番号がそのまま文字として解釈され、まったく別の文字体系に化けます。

印刷やページの見た目には影響しません。だから作成者も気づかないまま公開されています。

直す方法

対応表が無い以上、テキストとして取り出す方法はありません。画像として読み直すしかありません。

PDFIntact はページを画像として認識し、正しい日本語として書き出します。表や数式も構造を保ったまま取り出せます。

先行利用のご案内

書き出しの準備ができ次第、ご登録の順にご案内します。診断だけなら今すぐ、登録なしでお使いいただけます。

案内以外の目的では使いません。いつでも配信を停止できます。

そのPDF、きれいに取り出せますか