2段組のPDFをコピーすると文章が入り混じる
PDF・テキスト整形コラム
執筆:松村 誠(植木鉢団 代表)
論文誌のPDFから本文をコピーしたら、左の段と右の段が一行おきに交互に並んでいた。
2段組のPDFで、たまに起きる現象です。
一行と見なされてしまう
前提として、PDFは文字を座標で持っていて、コピーするときはその座標から読み順を推測しています。
このとき手がかりになるのが、文字の高さです。
同じ高さに並んでいる文字は同じ行だろう、という推測が働きます。
2段組では、左の段の3行目と右の段の3行目が、ページ上で同じ高さに置かれています。
段組であることに気づかずに高さだけで並べると、この左右がつながって1行になります。
結果として、左・右・左・右と交互に混ざったテキストが出てくることになります。
※最近のビューアは段組を考慮するものも増えているようで、必ずこうなるわけではありません。資料と開くソフトの組み合わせ次第、というのが実際のところです。
手作業で直すのはきつい
一度混ざってしまうと、元に戻すのは骨が折れます。
行単位で左右に振り分け直す作業になるので、ページ数があるとまず現実的ではありません。
段組のある資料で読み順が怪しいと感じたら、直すより先に、取り出し方を変えた方が早いかと思います。
段のかたまりを見つけてから読む
PDFファイルから直接テキストを取り出す場合は、座標がそのまま使えます。
まず、各行が横方向にどの範囲を占めているかを見ます。
PetaPDFでは、ページ幅の42%から58%までの帯を見ていて、この帯を左右にまたぐ文字のかたまりが全体の12%未満、左右それぞれに6つ以上のかたまりがあり、さらに左右で同じ高さに並ぶものが一定数あれば、2段組と判断します。
そのうえで、左側の行を上から下まで読み、それから右側に移れば、元の読み順が保てます。
PetaPDFのPDFファイル読み込みは、この形で並べ直しています。
判定は自動ですが、外れる資料もあります。
そのため「1段組に固定」「2段組に固定」の手動指定も用意しました。
段組なのは見ればわかるので、自動に任せて崩れたら手で指定する、くらいの気持ちで使ってもらえればと思います。

取り出したあとに見るところ
段組の判定がうまくいったかは、段の切れ目を見ると分かります。
左の段の最後の行と、右の段の最初の行が、文としてつながっているかを確かめます。
段落の途中で話が急に飛んでいたり、同じ行の中で文が2つ混ざっていたりすれば、読み順が崩れています。
全文を読む必要はなく、段の切れ目を数か所見るだけで足ります。
確かめずにAIへ渡して要約させると、要約も左右の段が混ざった内容になります。
崩れた文章からでも、それらしいまとめが出てくるので、要約だけを見ても崩れには気づきにくいです。
PDFの内容をAIに渡すときの注意は、「PDFの中身をAIに渡す前にやっておくと良いこと」のコラムに書いています。※ページの上下にある誌名やページ番号が段の途中に混ざるのは、段組とは別の問題です。こちらは「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」のコラムで書いています。
できないこと
まず、これで全部が解決するわけではありません。
3段組以上や、図表を挟んで段の構成が途中で変わるページは、判定しきれません。
2段組とは判断されず、高さ順に読み出すので、段が混ざったまま出てくることがあります。
この場合は注意書きも出ないので、冒頭と段の切れ目を見て確かめてください。
縦書きのPDFにも対応していません。
こちらも注意書きが出ないまま、文字の順番が入り混じって出てくることがあります。
段組の判定は、ページの見た目からの推測です。
うまくいかない場合があるという前提で、出てきたテキストの冒頭だけでも目を通してもらえればと思います。