PDF を JSON に変換

PDF の中身をすべて構造化 JSON に。ページ、テキストブロック、表、フォーム項目、しおり。

逆方向: JSON を PDF に変換

ファイルは端末の外に出ません。すべてブラウザ内で処理されます

PDF は読むには便利ですが、プログラムで扱うのは大変です。文字も表も項目も描画命令の中に混ざっているからです。このコンバーターは文書をきれいな JSON に整理します。meta にはタイトル、作成者、日付、ページ数。pages には各ページのサイズ、全文、テキストブロックが入り、ブロックごとに左上を原点としたポイント単位の x、y、幅、高さが付きます。合計金額や署名がページのどこにあるかまで分かります。

罫線のある表は別に抽出します。エンジンは当社の「PDFをExcelに変換」と同じです。tables の各要素にはページ番号とセルの行が入ります。入力可能なフォーム項目(名前、種類、値)は forms に、文書のしおりは階層とページ番号付きで outline に入ります。

テキスト層のないスキャン PDF なら「スキャンの文字を認識」をオンにしてください。Tesseract がページを読み取り、ブロックは座標と信頼度付きの単語になります。現在認識できるのは英語、ドイツ語、フランス語、スペイン語、ロシア語で、日本語にはまだ対応していません。

このツールは当社のサーバーで動作します。ブラウザーでは PDF を分解したり、画像から文字を読み取ったりできないためです。ファイルは HTTPS で送信され、処理後 1 時間で削除されます。文書を保存したり閲覧したりすることはありません。

JSON に入る内容

PDF を JSON に変換する 3 ステップ

  1. 1

    PDF をアップロード

    20 MB までのファイルをドラッグします。スキャンは一度に 30 ページまで認識できます。

  2. 2

    結果を確認

    JSON がツリー表示で開きます。ページ、表、フォーム、しおり。スキャンなら文字認識をオンに。

  3. 3

    JSON をダウンロード

    下のボタンから Excel、CSV、Word、TXT へ直接書き出すこともできます。

よくある質問

このページにファイルをアップロードするだけです。数秒で JSON が開き、そのままダウンロードできます。
「スキャンの文字を認識」をオンにすると、OCR がページを読み取り、JSON に座標付きの単語が入ります。オフのままではスキャンから取り出せる文字はありません。日本語の認識には未対応です。
表は tables にあります。すぐに表計算ファイルが欲しい場合は「PDFをExcelに変換」が早道です。
ページ左上を原点とした印刷用ポイント(1/72 インチ)です。一般的な PDF ライブラリと同じ測り方です。
ファイルは HTTPS で送られ、1 時間後にサーバーから削除されます。変換以外には使いません。

関連ツール