質問をすることでしか得られない、回答やアドバイスがある。

15分調べてもわからないことは、質問しよう!

新規登録して質問してみよう
ただいま回答率
85.50%
PDF

PDF(Portable Document Format)とはISOによって国際標準として制定されている電子ドキュメント用の拡張子です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

PHP

PHPは、Webサイト構築に特化して開発されたプログラミング言語です。大きな特徴のひとつは、HTMLに直接プログラムを埋め込むことができるという点です。PHPを用いることで、HTMLを動的コンテンツとして出力できます。HTMLがそのままブラウザに表示されるのに対し、PHPプログラムはサーバ側で実行された結果がブラウザに表示されるため、PHPスクリプトは「サーバサイドスクリプト」と呼ばれています。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

Q&A

解決済

1回答

4159閲覧

pdfの文字列変換(下線・取り消し線付き)

poko_poko

総合スコア168

PDF

PDF(Portable Document Format)とはISOによって国際標準として制定されている電子ドキュメント用の拡張子です。

Python 3.x

Python 3はPythonプログラミング言語の最新バージョンであり、2008年12月3日にリリースされました。

PHP

PHPは、Webサイト構築に特化して開発されたプログラミング言語です。大きな特徴のひとつは、HTMLに直接プログラムを埋め込むことができるという点です。PHPを用いることで、HTMLを動的コンテンツとして出力できます。HTMLがそのままブラウザに表示されるのに対し、PHPプログラムはサーバ側で実行された結果がブラウザに表示されるため、PHPスクリプトは「サーバサイドスクリプト」と呼ばれています。

Python

Pythonは、コードの読みやすさが特徴的なプログラミング言語の1つです。 強い型付け、動的型付けに対応しており、後方互換性がないバージョン2系とバージョン3系が使用されています。 商用製品の開発にも無料で使用でき、OSだけでなく仮想環境にも対応。Unicodeによる文字列操作をサポートしているため、日本語処理も標準で可能です。

0グッド

0クリップ

投稿2018/01/09 07:51

###前提・実現したいこと
python、php等でpdfのテキスト変換を行う際、特に下線等の抽出方法についてご存知の方がいたら教えて頂けませんでしょうか。
可能であればhtmlのように<u>タグで囲む等、どこからどこまでが下線有りなのか分かる状態が良いです。

###試したこと1
1.エクセルファイルで下線付きの文字列をPDF変換
2.python:pdfminerでテキスト抽出
結果:下線無し

###試したこと2
1.エクセルファイルで下線付きの文字列をPDF変換
2.PDF上で文字選択してエクセルに貼り付け
結果:下線無し
→ 下線はPDF変換した時にどんな扱いなのか益々不明に。

気になる質問をクリップする

クリップした質問は、後からいつでもMYページで確認できます。

またクリップした質問に回答があった際、通知やメールを受け取ることができます。

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

guest

回答1

0

ベストアンサー

PDFはバイナリなので、HTMLに変換するのはかなり限られます。また、海外製のプログラムなどは日本語フォントの問題もあったりします。

C++やJavaなどいろいろインストールしなければならないので、セットアップが面倒ですが下記のpdf2htmlEXというツールがあります。Windowsのみでよければバイナリもあります。フォントによりますが、いちおう日本語フォントも使えます。
https://github.com/coolwanglu/pdf2htmlEX/wiki

HTMLを作ることが目的ではない場合、質問の<u>のような下線の認識はできません。
https://github.com/coolwanglu/pdf2htmlEX/wiki/Reflowable-Text#text-that-should-not-be-reflowed

Windowsバイナリの最新版であれば下記のように試すことができます。

cmd

1cd ZIPファイル展開したディレクトリパス 2pdf2htmlEX.exe PDFファイル 3 4//高解像度 5pdf2htmlEX.exe --fallback 1 PDFファイル

上記のようにすると、PDFファイル名で拡張子が.htmlのファイルが同じディレクトリに出来上がります。

投稿2018/01/09 19:48

Tomak

総合スコア1652

バッドをするには、ログインかつ

こちらの条件を満たす必要があります。

poko_poko

2018/01/10 01:01

回答ありがとうございます。 下線付きPDFを「ここは下線有り」とわかる状態でテキスト出力したかったのですが 下線認識は色々とハードルが高そうですね。
Tomak

2018/01/10 11:10

検索もしてみたのですが、下線を下線として認識するのは非常に難しいらしいです。多分解像度の問題なのだと思います。高解像度処理してしまうとパフォーマンスが悪すぎますし。 pdf2htmlEXでは、下線などの飾りはすべて透過PNG画像になって表示されているので、HTMLページとしてブラウザで見た時にはきちんと元のPDFと同じように表示されます。
poko_poko

2018/01/11 00:36

PDF→テキストでの下線部判定は一旦諦めることにします。 色々とありがとうございました。 ベストアンサーとさせて頂きます。
guest

あなたの回答

tips

太字

斜体

打ち消し線

見出し

引用テキストの挿入

コードの挿入

リンクの挿入

リストの挿入

番号リストの挿入

表の挿入

水平線の挿入

プレビュー

15分調べてもわからないことは
teratailで質問しよう!

ただいまの回答率
85.50%

質問をまとめることで
思考を整理して素早く解決

テンプレート機能で
簡単に質問をまとめる

質問する

関連した質問