ForHosting KIT · PDF・文書ツール

PDFの複数段組テキストを正しい読み順で抽出

2段組のページから順番がばらばらに届いた4つの塊が、左の1つ目、左の2つ目、右の1つ目、右の2つ目の順に並び直ります。左端の位置が近い塊を同じ段とみなし、左から右、上から下へ読みます。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

ご利用方法ウェブAPIメールTelegramアプリ近日

PDFから単語を正しく抽出できても、その並びが読める順序になるとは限りません。複数段組のページを単純に上から下へ並べると、無関係な段落が交互に混ざります。この機能は、境界ボックス付きのテキストブロックを受け取り、同じ段に属するブロックを判定します。段を左から右へ、各段内を上から下へ整列し、再構成したテキストと確認用の全座標情報を返します。後続処理にもそのまま利用できます。

PDF抽出で読み順が失われる理由

PDFは通常、人が読む意味上の順序ではなく、グリフを描画する位置を記述します。そのため抽出ライブラリは、オブジェクトストリーム順、描画順、または段をまたぐ全体の縦位置順でブロックを返すことがあります。2段組の記事が、左の第1段落、右の第1段落、左の第2段落という順になる場合があります。

各ブロックについて、テキスト、左座標、上座標、幅、高さを指定してください。この機能は座標から左端が近いグループを推定し、段を左から右へ、内部のブロックを上から下へ並べます。全座標は同じページ座標系を使い、`y`はブロック上端を表す必要があります。

決定的な段組判定の仕組み

同じ段かどうかは、ブロックの左座標間の距離で決まります。既定の許容値は、正のブロック幅の中央値の4分の1です。一般的なページ縮尺に適応しながら、段落の小さな字下げや抽出誤差を吸収できます。

値を小さくするとわずかに異なる左端も分離し、大きくすると字下げされた段落や見出しを周囲の段にまとめます。グループ化後は平均左位置で段を並べ、各段内では上位置、左位置、元の配列インデックスの順に比較します。同じ座標でも結果は安定します。

ネットワーク、乱数、現在時刻、OCR、言語モデルは使いません。

活用例

記事を検索用に整える

2段組の雑誌やニュースレターを、索引作成前に一貫した本文へ変換します。

アクセシブルな出力を作る

スクリーンリーダーやアクセシブル文書変換向けに予測可能な順序を生成します。

抽出処理を監査する

整列済みボックスと入力インデックスを残し、各段落の配置根拠を確認できます。

よくある質問

PDFファイルを直接受け取れますか？

いいえ。 PDF 1ページから抽出済みのテキストブロックと境界ボックスを受け取ります。

料金はいくらですか？

同じ決定的ロジックをティアA機能としてブラウザでも実行できます。

段はどのように判定されますか？

塊の左端の位置が近いものを同じ段にまとめます。許容する差は、指定しなければ塊の幅の中央値の4分の1から自動で決まり、小さな字下げや抽出時のずれは同じ段として扱われます。

複数のページをまとめて送れますか？

1回に1ページずつ送ってください。異なるページの位置は、ご自身で共通の尺度にそろえない限り比べられないため、混ぜると段の判定が崩れます。

表や囲み記事、脚注も認識しますか？

認識しません。並べ替えは段とページ上の高さだけで行います。表や囲み記事、複数の段にまたがる見出し、脚注は推測しないため、事前に分けておくか、段の許容差を調整して結果を確認してください。

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

POSThttps://api.kit.forhosting.com/pdf/text-extract-column-order

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/text-extract-column-order \
  -H "Authorization: Bearer $KIT_KEY" \
  -H "Content-Type: application/json" \
  -d '{"blocks":[{"text":"Left heading","x":40,"y":40,"width":210,"height":20},{"text":"Right heading","x":320,"y":42,"width":210,"height":20},{"text":"Right body","x":322,"y":90,"width":208,"height":60},{"text":"Left body","x":42,"y":92,"width":208,"height":60}]}'

const res = await fetch("https://api.kit.forhosting.com/pdf/text-extract-column-order", {
  method: "POST",
  headers: {
    "Authorization": `Bearer ${process.env.KIT_KEY}`,
    "Content-Type": "application/json"
  },
  body: JSON.stringify({
    "blocks": [
      {
        "text": "Left heading",
        "x": 40,
        "y": 40,
        "width": 210,
        "height": 20
      },
      {
        "text": "Right heading",
        "x": 320,
        "y": 42,
        "width": 210,
        "height": 20
      },
      {
        "text": "Right body",
        "x": 322,
        "y": 90,
        "width": 208,
        "height": 60
      },
      {
        "text": "Left body",
        "x": 42,
        "y": 92,
        "width": 208,
        "height": 60
      }
    ]
  })
});
const { task_id } = await res.json();

import os, requests

res = requests.post(
    "https://api.kit.forhosting.com/pdf/text-extract-column-order",
    headers={"Authorization": f"Bearer {os.environ['KIT_KEY']}"},
    json={
    "blocks": [
        {
            "text": "Left heading",
            "x": 40,
            "y": 40,
            "width": 210,
            "height": 20
        },
        {
            "text": "Right heading",
            "x": 320,
            "y": 42,
            "width": 210,
            "height": 20
        },
        {
            "text": "Right body",
            "x": 322,
            "y": 90,
            "width": 208,
            "height": 60
        },
        {
            "text": "Left body",
            "x": 42,
            "y": 92,
            "width": 208,
            "height": 60
        }
    ]
},
)
task_id = res.json()["task_id"]

<?php
$res = file_get_contents("https://api.kit.forhosting.com/pdf/text-extract-column-order", false, stream_context_create([
  "http" => [
    "method"  => "POST",
    "header"  => "Authorization: Bearer " . getenv("KIT_KEY") . "\r\nContent-Type: application/json",
    "content" => '{"blocks":[{"text":"Left heading","x":40,"y":40,"width":210,"height":20},{"text":"Right heading","x":320,"y":42,"width":210,"height":20},{"text":"Right body","x":322,"y":90,"width":208,"height":60},{"text":"Left body","x":42,"y":92,"width":208,"height":60}]}',
  ],
]));
$task = json_decode($res, true);

body := bytes.NewBufferString(`{"blocks":[{"text":"Left heading","x":40,"y":40,"width":210,"height":20},{"text":"Right heading","x":320,"y":42,"width":210,"height":20},{"text":"Right body","x":322,"y":90,"width":208,"height":60},{"text":"Left body","x":42,"y":92,"width":208,"height":60}]}`)
req, _ := http.NewRequest("POST", "https://api.kit.forhosting.com/pdf/text-extract-column-order", 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

{
  "blocks": [
    {
      "text": "Left heading",
      "x": 40,
      "y": 40,
      "width": 210,
      "height": 20
    },
    {
      "text": "Right heading",
      "x": 320,
      "y": 42,
      "width": 210,
      "height": 20
    },
    {
      "text": "Right body",
      "x": 322,
      "y": 90,
      "width": 208,
      "height": 60
    },
    {
      "text": "Left body",
      "x": 42,
      "y": 92,
      "width": 208,
      "height": 60
    }
  ]
}

レスポンス例

{
  "task_id": "tsk_a1b2c3d4e5f6a1b2c3d4e5f6",
  "type": "pdf.text_extract_column_order",
  "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

1リクエストあたり$0.002

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_items 10000

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

PDF抽出で読み順が失われる理由

`reading_order`には元の座標と入力時のインデックスが残るため、不透明なテキスト変換を信頼するだけでなく、配置を一つずつ検証できます。

決定的な段組判定の仕組み

特殊な配置では`column_tolerance`を明示してください。

文書処理での整列結果の使い方

応答には同じ判定の複数の表現があります。出所確認、強調表示、ページへの重ね合わせ、デバッグには構造化配列を保持し、検索索引、要約、アクセシビリティ、書き出しには連結テキストをご利用ください。既存の抽出器からブロックを渡してください。表、サイドバー、段をまたぐ見出し、脚注、ページ間の続きも推測しません。`columns`は検出した各段と整列済みブロックを示し、`reading_order`は後続処理が消費すべき正確な順序へ平坦化します。`text`は設定可能な区切り文字で本文を連結し、既定では空行を挿入して段落境界を保ちます。座標を正規化しない限り別ページ同士は比較できないため、1リクエストにつきPDF 1ページを処理します。この機能はPDFファイルの解析やOCRを行いません。必要なら事前分類するか、`column_tolerance`を調整して返された割り当てをご確認ください。

技術的な質問

ブロックがない場合はどうなりますか？

読み順を推定できないため、`invalid_input`エラーでリクエストが失敗します。

段組はどのように検出されますか？

左座標が十分に近いブロックをまとめます。既定値は幅の中央値から求めますが、`column_tolerance`も指定できます。

どの座標系を使えばよいですか？

全ブロックで`x`が左、`y`が上を表す、一貫したページ座標系なら使用できます。

KITの完全なドキュメントを見る →

PDFの複数段組テキストを正しい読み順で抽出

無料で実行

PDF抽出で読み順が失われる理由

決定的な段組判定の仕組み

活用例

記事を検索用に整える

アクセシブルな出力を作る

抽出処理を監査する

よくある質問

関連ツール

開発者向け — APIアクセス

エンドポイント

お使いのスタックから呼び出す

リクエスト例

レスポンス例

料金

制限

エラー

技術的な注記

PDF抽出で読み順が失われる理由

決定的な段組判定の仕組み

文書処理での整列結果の使い方

技術的な質問

ありがとう