pdfファイルから抽出できるテキストと抽出できないテキスト

質問

Acrobat6.0Prof.を用い、テキスト選択モードでCTRL+Aすると、選択できるテキストと選択できない「テキスト」があります。選択できない「テキスト」をなぜ「テキスト」と判断したかといいますと、超拡大表示（例：6400倍）してもエッジがギザギザにならず鮮明に表示されるからで、これは明らかにアウトラインフォントと思われます。
このような「テキスト」を抽出する方法について知りたい。

回答No.7

otoutann · ベストアンサー

通常、フォントのデータは文字コードだけ記されています。
それをシステムに同じフォントがあればその文字コードを
元にして表示します。
同じフォントがシステムにない場合、表示できませんので
アプリケーション側で違うフォントに置き換えるようなア
ラートが出て違うフォントで表示することになります。
その場合、レイアウトが崩れるので、PDFファイルにする
時にフォントの埋め込みというのをしてPDFファイルを作成
すれば、相手先のシステムにフォントが無くても同じレイ
アウトで表示する事ができます。
ただし、フォントによっては埋め込む事を許可しないフォ
ントもありますので、その場合、フォントをアウトライン
化して絵として貼り付けます。この絵はビットマップでは
ありませんので、拡大してもギザギザにはなりません。
（ドロー系とかベクトル系の絵です）

お礼

何回も有り難うございます。
当該pdfファイルは、アドビのInDesignを使ったらしく、仰せのとおりpdf化する前にテキストをアウトライン化している模様です。印刷屋にテキストファイルを求めるか、OCR原理でテキスト化するソフトを利用するか、考えています。

回答No.6

otoutann

同じ文章中でと書かれていなかったので、１の回答となりました。
そのテキストがアウトライン化（文字を絵にするということです）
してあるために選択できないと思われます。
（埋め込みができないフォントのため）
結果的に編集できないのは同じですが。

お礼

再三有り難うございます。
小生が述べた「アウトラインフォント」とは、
http://e-words.jp/w/E382A2E382A6E38388E383A9E382A4E383B3E38395E382A9E383B3E38388.html
に定義されたフォントのことで、現在のフォントは殆どが「アウトラインフォント」と思います。
いずれにしても6400%に拡大してもギザギザにならないのですから、テキストと思いますが・・・・・。

回答No.5

usatan2

＞このような「テキスト」を抽出する方法について知りたい。
No.1さんと同じですが、「作者がコピー禁止としたためテキスト抽出できない」ためと考えられるので、「作者の意図を尊重して」抽出はあきらめるのがマナーと思います。

意に添えない回答で、ごめんなさい。

お礼

有り難うございます。
ANo.1さんへのお礼を参考願います。

回答No.4

cockerel

＞テキスト選択モードでCTRL+Aすると、選択できるテキストと選択できない「テキスト」があります。

実際に作れるか否かを実験してみました。

＞選択できない「テキスト」をなぜ「テキスト」と判断したかといいますと・・・

このことから、最初にEPSを疑ったのですが、EPSテキストはPDFテキストとして変換されてしまうため、この事例に該当しませんでした。画像化されたテキストのEPSについては、当然のことながらテキストとして編集できませんが、CTRL+Aで選択できる／できないとは別次元の話になるようです。

次に、セキュリティ関連を疑ってみました。文書全体がパスワード保護されていれば、最初にパスワードの入力が求められるので気付きます。ところが、「権限」に設定を加えていると、その「権限」にアクセスしない限りパスワードの入力が求められません。たとえば、変更を許可しないにしておくと、CTRL+Aでの選択が無効になりました（すべてを選択解除は有効）。このほかにもいくつかの設定方法があると思いますがご参考まで。

お礼

いろいろと実験をいただき有り難うございます。
ANo.1さんへのお礼を参考願います。なお、当該pdfファイルは、印刷屋が印刷物と一緒に納入したファイルで、使ったDTPソフトが何か、明日聞いてみようと思っています。

回答No.3

mokonoko

PDF形式ファイルは文字情報、画像情報、レイアウト情報等で構成されています。
テキスト選択できるものは文字情報としてそのPDFファイル自身が認識しています。

それが出来ない文字は文字情報としてではなく、画像情報としてPDFファイルが処理しているため、直接テキスト文字として拾い出すことは出来ません。
カメラで撮影した新聞の文字はあくまで画像というのと同じです。

お礼

有り難うございます。
最大（6400%）に拡大しても輪郭がシャープに描画される画像化された文字が存在するのでしょうか？

回答No.2

noname#113190

「TouchUpテキストツール」でも選択できませんか。
私もPDFのフォントには苦労しており

http://oshiete1.goo.ne.jp/kotaeru.php3?q=1924149

こちらで質問させていただき、いろいろ試しているところです。
参考に、私の質問も読んでいただくと、何かピントになるかも知れません。

お礼

有り難うございます。
［ツール］→［高度な編集］→［TouchUpテキストツール（U）］を設定しても選択できません。

回答No.1

otoutann

印刷の許可とかテキストコピーの許可とかはpdfファイルを書き出す時に
設定されるものですので、作成者にパスワードを聞かないと編集できない
と思います。
印刷可能なら、いきなりPDFとかで読み込めますが（OCRと同じ原理で）。

お礼

有り難うございます。
もちろん［文書の印刷および編集とセキュリティ設定にパスワードが必要(U)］にチェックは入っていません。印刷は平常にできますし、ページの分割などもできます。
そもそも、ご回答の内容は、同一のファイル（ページ）のなかに《ctrl+Aで選択できるテキストと選択できないテキストがある》ことと矛盾していませんか？