そのPDF、
きれいに取り出せますか
症状
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。
読み込んでいます…
ᆅ᪉බඹᅋయ࠾ࡅࡿ᭩㠃つไࠊᢲ༳ࠊᑐ㠃つไࡢぢ┤ࡋࡘ࠸࡚
地方公共団体における書面規制、押印、対面規制の見直しについて
実際の変換結果
変換すると、こうなります
作成したデモではなく、実際にPDFIntactで変換した結果です。 総務省統計局「日本統計年鑑」13-5 鉄道輸送量（161ページ）を使っています。つまみを動かすと、原本と変換結果を重ねて見比べられます。
| 年度 | 貨物輸送量 | |||||
|---|---|---|---|---|---|---|
| 貨物数量 (1,000トン) | 貨物トンキロ (100万トンキロ) 1) | |||||
| 計 | コンテナ | 車扱 | 計 | コンテナ | 車扱 | |
| 平成 30 年 | 42,321 | 23,050 | 19,271 | 19,369 | 17,724 | 1,645 |
| 令和 元 年 | 42,660 | 23,506 | 19,154 | 19,993 | 18,382 | 1,610 |
| 2 | 39,124 | 21,273 | 17,850 | 18,340 | 16,838 | 1,502 |
| 年度 | 旅客輸送量 | |||||
| 旅客数量 (100万人) | 旅客人キロ (100万人キロ) 2) | |||||
| 計 | 定期 | 定期外 | 計 | 定期 | 定期外 | |
| 計 | ||||||
| 平成 30 年 | 25,269 | 14,627 | 10,642 | 441,614 | 212,055 | 229,559 |
| 令和 元 年 | 25,190 | 14,797 | 10,392 | 435,063 | 213,511 | 221,552 |
| 2 | 17,670 | 11,252 | 6,418 | 263,211 | 160,549 | 102,662 |
| JR | ||||||
| 平成 30 年 | 9,556 | 5,817 | 3,739 | 277,670 | 113,177 | 164,493 |
| 令和 元 年 | 9,503 | 5,876 | 3,627 | 271,936 | 113,907 | 158,029 |
| 2 | 6,707 | 4,608 | 2,099 | 152,084 | 87,868 | 64,216 |
| # 新幹線 | 156 | 42 | 114 | 34,936 | 3,642 | 31,294 |
| 民鉄 (JR以外) | ||||||
| 平成 30 年 | 15,714 | 8,810 | 6,903 | 163,944 | 98,878 | 65,066 |
| 令和 元 年 | 15,687 | 8,921 | 6,765 | 163,126 | 99,604 | 63,523 |
| 2 | 10,963 | 6,644 | 4,319 | 111,127 | 72,680 | 38,447 |
| 年度 | 索道旅客輸送量 | |||||
| 旅客数量 (1,000人) | 旅客収入 (100万円) | |||||
| 計 | 普通索道 3) | 特殊索道 4) | 計 | 普通索道 3) | 特殊索道 4) | |
| 平成 30 年 | 295,194 | 50,235 | 244,959 | 70,658 | 27,514 | 43,145 |
| 令和 元 年 | 239,594 | 45,441 | 194,153 | 63,017 | 25,964 | 37,053 |
| 2 | 200,069 | 23,843 | 176,226 | 43,343 | 13,812 | 29,531 |
このページの実測値: 数値125個中124個が一致（99.2%）。1個だけずれています。
実測した精度
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6万3千個について機械的に照合した結果です。
- 表95.2%確定値。階層ヘッダ・結合セルを保ったまま Excel へ
- 本文88.8%確定値
- グラフ51.5%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。
料金
いくらになるか、先に分かります
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 | ¥160 |
| 11〜30 | ¥300 |
| 31〜60 | ¥550 |
| 61〜100 | ¥850 |
| 101〜200 | ¥1500 |
| 201〜 | クレジット（前払い） |
診断は無料です。料金がかかるのは変換するときだけで、支払い後の追加料金はありません。
仕組み
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。
症状別
その症状について、詳しく
原因が違えば対処も変わります。当てはまるものからご覧ください。
連絡先
お知らせを受け取る
精度の改善や対応形式の追加をお知らせします。 診断は、登録なしで今すぐ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。