PDFからコピーするとページ番号やヘッダーが本文に混ざる

PDF・テキスト整形コラム

執筆:松村 誠(植木鉢団 代表)

20ページの報告書からテキストを起こしたら、本文の途中に資料名とページ番号が20回ずつ挟まっていた。

消えない理由

PDFにとって、ヘッダーもフッターも本文も、基本は同じ「ページの上に置かれた文字」です。
タグ付きのPDFなら、ページ番号やヘッダーに「ここは飾り」という印を付けておけますが、付いていないPDFもあり、コピーする側がその印を使うとも限りません。

印が無い場合や使われない場合、コピーする側から見ると、ページの端にあるというだけで、他の文字と区別する手がかりがない状態です。
そのため、素直に全部書き出されます。

Ctrl+Fで消して回るにも、ページ番号は1ページごとに数字が違うので、一括置換が効きません。
結局、目で追って1件ずつ消していくことになります。

テキストからでも、当たりはつく

貼り付けたテキストだけを見ている場合でも、手がかりがないわけではありません。

ヘッダーやフッターには、短くて、何度も同じ形で出てくるという特徴があります。
「令和7年度事業報告書」が10回出てきて、その周りに「- 3 -」「- 4 -」のような行が並んでいれば、本文ではない可能性が高いと見当がつきます。

PetaPDFの貼り付けモードは、この考え方で判定しています。
何度も繰り返される短い行と、数字だけの行を候補として拾い、除去します。

ただし、あくまで推測です。
本文に同じ短い一文が何度も出てくる資料なら、巻き込む場合もあります。

ファイルから読むと、位置が使える

PDFファイルをそのまま渡した場合は、事情が変わります。
ツールがPDFの中身を解析するので、文字の座標が読めるためです。
「ページの上端や下端に近い行」という条件が使えるようになります。
なお、PetaPDF はタグの印は使わず、文字の位置と、次に書くページをまたいだ繰り返しから判定しています。

そのうえで、それがページをまたいで繰り返し現れるかを見れば、判定の確度は上がります。
ページの上端にあって、かつ全ページで同じ文言が出ている行は、ヘッダーと考えてまず外れないところです。

貼り付けたテキストからでは、そもそもどこがページの境目だったのかがわかりません。
PetaPDFにPDFファイルの解析機能を入れているのは、この差を埋めるためです。

判定に使っている条件

貼り付けモードでは、次のどちらかに当てはまる行を候補にしています。

  • 40文字以下で、同じ形の行が3回以上、どれも10行以上の間をあけて出てくる
  • 数字だけの行(「- 3 -」のように記号で挟んだものや、ローマ数字のページ番号も含む)

「同じ形」かどうかを見るときは、数字の部分を区別しません。
「報告書 3/20」と「報告書 4/20」は数字が違うだけなので、同じ行として数えます。
ページごとに番号が変わるフッターを拾えるのは、このためです。

PDFファイルを渡した場合は、ページの上端・下端それぞれ12%の範囲にある40文字以下の行のうち、全ページの6割以上に同じ形で出てくるものと、同じ範囲にある数字だけの行を外します。※1ページだけのPDFでは繰り返しを判断できないので、この判定は行いません(上端・下端にある数字だけの行は外します)。

消した行は見せる

自動判定を入れるうえで気をつけたのが、消したものを隠さないという点です。

判定である以上、本文を巻き込む可能性は残ります。
そこで、除去した行は結果画面に「自動除去されたヘッダ・フッタ・ページ番号(○件)」として一覧で表示するようにしました。
見覚えのない一文が並んでいたら、その項目をオフにして処理し直せます。

上端に資料名、下端にページ番号が入った4ページの作例PDFと、それをPetaPDFで読んだ結果。「自動除去されたヘッダ・フッタ・ページ番号 (8件)」に資料名4行とページ番号4行が取り消し線付きで並び、整形後のテキストは見出しと本文だけになっている
4ページの作例のPDFを、PDFファイルの読み込みで処理したところ。各ページの資料名とページ番号の8行が、消した行として一覧に出ます。

黙って消してくれる方が手数は少ないのですが、後から気づけない方が困るだろう、という判断です。

※ページ番号だけを残したい(引用元を示したい)という場合もあると思います。その場合は該当の項目をオフにしてください。

巻き込みやすい資料

条件が単純なぶん、本文の行が当てはまってしまう資料もあります。
表をコピーしたテキストが、その代表です。

セルが1行ずつに分かれて貼り付けられると、「120」のような数字だけの行や、「合計」「同上」のような短い行が何度も並びます。
数字だけの行はページ番号と、繰り返される短い行はヘッダーと、見分けがつきません。

表の多い資料では、結果画面の一覧に数値や項目名が並んでいないかを先に見てください。
並んでいたら「反復ヘッダ・ページ番号除去」をオフにして処理し直し、残ったページ番号だけを手で消すほうが早いこともあります。