PDFからテキストを抽出するのはなぜ難しいのか？

PDFファイルは、どんな環境のPCでもテキストや画像の表示を崩すことなく見られるデータ形式です。しかし、PDFからテキストデータをコピーしようとすると、うまく選択できなかったり、テキストの内容がおかしくなってしまったりすることがあります。なぜPDFファイルからのテキスト抽出が難しいのかを、PDFファイルのテキスト化およびデータベース作成を行う団体、FilingDBが報告しています。 PDF text extraction | FilingDB https://www.filingdb.com/pdf-text-extraction ◆読み取り保護 PDFファイルの中には内容が保護されているものが存在します。テキスト自体は正しく表示されていても、テキストをコピーしようとすると「Copying text was denied (テキストのコピーが拒否されました)」といった内容が表示され、テキス

[mouki0911]

そろそろPDFの代替手段が欲しい

[bomp]

Illustratorがあれば簡単な場合と、Illustratorがあってもダメな場合がある。

[houyhnhm]

ホントにこれ辛い。

[warp9]

"2020年03月05日"の記事を"2021-04-09"に読んだ。 テキストの順番が変になる事もある。

[mojimojikun]

せやな。とはいえ、PDFDocument class https://developer.apple.com/documentation/pdfkit/pdfdocument の page.string で取り出した文字列で必要十分な場合も多いのでそれでやっちゃってる(それでユーザから文句が来たことも無い)

[yarumato]

“PDFファイルのテキスト化およびデータベース作成を行う団体FilingDBの報告。読み取り保護、ページ外の文字、余分なスペース、埋め込みフォント、テキストと段落の順序。ほとんどはOCRで解決するが欠点も”

[shimasoba]

ふくろ文字もやっかいだよなー。

[strawberryhunter]

余分なスペースが入るのは、Wordなど元のアプリケーションを使う人の問題。代替手段はあっても、国際標準となったPDFとそのエコシステムに勝る形式はもう出てこない。コンビニのコピー機が対応してるとか最高じゃん。

[Fushihara]

総合的にOCRの方が早いんじゃ

[nisisinjuku]

仕様決めなかったのはミスだよね。転載不可の保護は良い。　"FilingDBは、PDFファイルからテキストを抽出する前に、他のフォーマットでデータが提供されていないかどうかを確認することを推奨しています。" おぃおぃ。

[timetrain]

余分なスペースと改行はなあ。これのために一括置換を何回かすること多数