PDFページのテキストを抽出し順番どおりに結合
四半期報告書とその付録という2ページ分のテキストを、間に「--- PAGE BREAK ---」の区切りを入れた1つの文書にまとめます。渡した順番のまま、内容は書き換えません。文字の読み取りやOCRの後に便利です。ブラウザで無料で使えます。
- 無料
- ブラウザで動作
- 登録不要
- データは端末の外に出ません
無料で実行
ページごとに分かれたPDFの抽出済みテキストを、ページ境界を失わず、予測可能な1つの文字列へ変換します。各ページの本文を正しい順番で指定すると、明確な改ページ記号を挟んで結合します。OCR、PDFファイルのダウンロード、PDF解析は行いません。すでにページ単位の本文を生成する抽出工程の最終段階として、安定した検索可能または書き出し可能な出力を作成します。
ページブロックを順番に準備します
配列内の位置がページ順になります。最初のレコードが1ページ目、次が2ページ目となります。本機能は並べ替え、ページ番号の推測、PDF本体の検査を行いません。
上流の抽出処理が確定した順番を意図せず変更しないためです。textには見出し、段落、空行、Unicode文字を含められます。実際のページから本文を取得できなかった場合は空文字列も指定でき、前後の区切りによってその位置が保持されます。
ただし、各項目は文字列型のtextを持つオブジェクトでなければなりません。欠落値、数値、入れ子の配列などは拒否されます。この厳密な形式により、未定義値が文字へ変換されるような事故を防ぎます。
結合結果の形式を確認します
textには受け取った各文字列が指定順のまま格納されます。隣り合うページの間には、2個の改行、--- PAGE BREAK ---、さらに2個の改行が入ります。先頭ページの前と最終ページの後には記号を追加しません。
区切りの追加以外には、空白の除去、正規化、再配置、解釈、書き換えを行いません。そのため、行頭の空白、末尾の改行、連続する空行、句読点、非ラテン文字も入力どおりに残ります。抽出結果を編集せず保持するための仕様です。
読みやすい文章への整形が必要な場合は、変更内容を明示した別の正規化処理をご利用ください。再分割する際は、返された記号と前後の改行を併せて使用します。
PDF抽出フローへ組み込みます
テキストレイヤー読取機能、OCRシステム、文書パーサー、アップロード工程などがページ単位の本文を生成した後にご利用ください。次のシステムが1つの文字列を必要とする一方、確認作業、検索、引用処理にはページ境界を残したい場合に適しています。検索インデックスへ登録する前にページを結合し、文脈がページをまたぐ位置を保持できます。
原本の横に安定したテキスト表現を保存するアーカイブにも利用できます。また、後続の言語処理ごとに配列走査を実装する必要がありません。ネットワーク、乱数、現在時刻、OCR、PDFデコードには依存せず、同じ入力から常に同じ結果を返します。
列順の乱れ、欠落文字、画像のみのページなどは、上流の抽出またはOCR工程で修正してください。
活用例
検索登録用テキストの作成
ページ別の結果を検索可能な文字列へまとめ、確認や強調表示に必要な境界も保持します。
OCRページ出力の統合
個別に認識したページを結合し、要約や分類へ順序どおりの文書を渡します。
保存用テキストの併設
PDFとともに決定的なテキスト表現を保存し、ページの切り替わりを見える形で残します。
よくある質問
PDFファイル自体を読み取りますか?
いいえ。 個々のページから抽出済みのテキストブロックを受け取り、順番どおりに結合する機能です。
ページ本文を空文字列にできますか?
はい。 抽出可能な本文がないページを表し、境界間の元の位置も維持されます。
結果の中でページとページの間には何が入りますか?
改行2つ、「--- PAGE BREAK ---」という区切り、さらに改行2つが入ります。最初のページの前と最後のページの後には何も付け足さないので、文章は渡したとおりに始まり、渡したとおりに終わります。
テキストの空白や改行は整えられますか?
いいえ、整えません。行頭の空白、末尾の改行、連続した空行、句読点、ラテン文字以外の文字もそのまま残ります。読みやすく整えたい場合は、別の手順で明示的に整形してください。
まとめたテキストをページごとに分け直せますか?
はい、区切りとその前後の改行を目印に分けられます。ただし、同じ文字列がもともとどこかのページの中にある可能性もあるため、分ける前に確かめておくと安心です。
関連ツール
開発者向け — APIアクセス
このページの機能はすべてAPIからも利用できます。自社システムに組み込みたいチーム向けのセクションです。それ以外の方は上のツールをそのままお使いください。
エンドポイント
Bearerトークンで認証し、POST1回でタスクをキューに登録します。結果はWebhookまたは署名付きリンクで受け取れます。
お使いのスタックから呼び出す
curl -X POST https://api.kit.forhosting.com/pdf/extract-text \
-H "Authorization: Bearer $KIT_KEY" \
-H "Content-Type: application/json" \
-d '{"pages":[{"text":"Quarterly report\nRevenue increased by 12%."},{"text":"Appendix\nFigures are unaudited."}]}'const res = await fetch("https://api.kit.forhosting.com/pdf/extract-text", {
method: "POST",
headers: {
"Authorization": `Bearer ${process.env.KIT_KEY}`,
"Content-Type": "application/json"
},
body: JSON.stringify({
"pages": [
{
"text": "Quarterly report\nRevenue increased by 12%."
},
{
"text": "Appendix\nFigures are unaudited."
}
]
})
});
const { task_id } = await res.json();import os, requests
res = requests.post(
"https://api.kit.forhosting.com/pdf/extract-text",
headers={"Authorization": f"Bearer {os.environ['KIT_KEY']}"},
json={
"pages": [
{
"text": "Quarterly report\nRevenue increased by 12%."
},
{
"text": "Appendix\nFigures are unaudited."
}
]
},
)
task_id = res.json()["task_id"]<?php
$res = file_get_contents("https://api.kit.forhosting.com/pdf/extract-text", false, stream_context_create([
"http" => [
"method" => "POST",
"header" => "Authorization: Bearer " . getenv("KIT_KEY") . "\r\nContent-Type: application/json",
"content" => '{"pages":[{"text":"Quarterly report\\nRevenue increased by 12%."},{"text":"Appendix\\nFigures are unaudited."}]}',
],
]));
$task = json_decode($res, true);body := bytes.NewBufferString(`{"pages":[{"text":"Quarterly report\nRevenue increased by 12%."},{"text":"Appendix\nFigures are unaudited."}]}`)
req, _ := http.NewRequest("POST", "https://api.kit.forhosting.com/pdf/extract-text", body)
req.Header.Set("Authorization", "Bearer "+os.Getenv("KIT_KEY"))
req.Header.Set("Content-Type", "application/json")
res, _ := http.DefaultClient.Do(req)リクエスト例
{
"pages": [
{
"text": "Quarterly report\nRevenue increased by 12%."
},
{
"text": "Appendix\nFigures are unaudited."
}
]
}レスポンス例
{
"task_id": "tsk_a1b2c3d4e5f6a1b2c3d4e5f6",
"type": "pdf.extract_text",
"status": "queued",
"_links": {
"result": "/tasks/tsk_…/result"
}
}非同期APIです。task_idは即時に返ります。ポーリングは1秒あたり1リクエストまでです。
料金
単価はすべて公開しています。トークン換算や独自クレジットはありません。失敗したタスクは課金されません。
制限
max_mb | 25 |
max_pages | 200 |
エラー
| HTTP | コード | 意味 |
|---|---|---|
401 | unauthorized | APIキーが無効か、指定されていません。Authorizationヘッダーを確認してください。 |
402 | insufficient_balance | 残高が不足しています。チャージ後に再度お試しください。 |
404 | unknown_type | 指定されたタスクタイプは存在しません。タイプ名を確認してください。 |
429 | rate_limited | リクエストが多すぎます。しばらく待ってから再度お試しください。 |
技術的な注記
ページブロックを順番に準備します
1個以上のオブジェクトを含むpages配列を指定し、各PDFページから抽出した本文をそれぞれのtextフィールドへ入れてください。1回のリクエストで指定できる上限は10000ページです。
結合結果の形式を確認します
レスポンスにはtext、pages、page_break_markerが含まれます。pagesは結合したブロック数を示し、page_break_markerは後続処理が区切りを確認するために使えます。
PDF抽出フローへ組み込みます
処理は決定的で、指定されたJSON内だけで完結します。自動リクエストの料金は$0.002です。
技術的な質問
ページ間には何が入りますか?
前後に2個ずつ改行を付けた--- PAGE BREAK ---を挿入し、page_break_markerにも返します。
ページを指定しない場合はどうなりますか?
1個以上のページブロックが必須のため、invalid_inputエラーになります。
リクエスト料金はいくらですか?
自動リクエストには公開基本料金$0.002が適用され、ページごとの追加料金はありません。