schroneko PDF to Text
macOS 標準の PDFKit と Vision framework を使用して PDF からテキストを抽出する。外部依存なし。
使い方
scripts/extract.sh "PDFファイルのパス" [モード] [ページ範囲]
モード
| モード | 説明 |
|---|---|
auto |
PDFKit で抽出し、500 バイト未満または文字化けなら Vision OCR（デフォルト） |
pdfkit |
PDFKit のみ使用（テキストレイヤーがある PDF 向け） |
ocr |
Vision OCR のみ使用（スキャン PDF、画像 PDF、または常に OCR したい場合向け） |
ページ範囲（ocr モードのみ）
| 例 | 説明 |
|---|---|
1-10 |
1〜10 ページ |
5 |
5 ページのみ |
10- |
10 ページ〜最後 |
-5 |
1〜5 ページ |
動作
- 指定された PDF からテキストを抽出
- PDF と同じディレクトリにキャッシュとして保存（ページ範囲指定時は除く）
- 標準出力にテキストを出力
自動モード（auto）の動作
- まず PDFKit でテキストレイヤーを抽出
- 以下の場合、Vision OCR にフォールバック：
- 抽出結果が 500 バイト未満（スキャン PDF と判断）
- 抽出結果に文字化けパターンを検出（CID フォント問題）
- Vision framework で並列 OCR 処理
依存関係
なし（すべて macOS 標準機能）
- PDFKit: macOS 標準
- Vision framework: macOS 標準（並列処理対応）
キャッシュ
- 保存先: PDF と同じディレクトリ
- ファイル名:
{PDFファイル名}.txt（抽出方法によらず統一）
複数ファイルの一括処理
scripts/batch.sh "PDFディレクトリ" [並列数]
引数
| 引数 | 説明 | デフォルト |
|---|---|---|
| PDFディレクトリ | PDF ファイルが含まれるディレクトリ | カレントディレクトリ |
| 並列数 | 同時処理数 | 12 |
出力
- 各 PDF と同じ場所に
.txtファイルを作成 - 処理ログを
<PDFディレクトリ>/batch-processing.logに保存
ログ形式
[2025-01-05 12:34:56] === PDF Batch Processing Started ===
[2025-01-05 12:34:56] Total PDFs: 86
[2025-01-05 12:34:56] To process: 85
[2025-01-05 12:34:57] OK: ファイル名.pdf (12.3s)
...
[2025-01-05 12:40:00] --- Summary ---
[2025-01-05 12:40:00] Processed: 85
[2025-01-05 12:40:00] Total time: 304.5s
時間計測
単一ファイル処理（extract.sh）も [TIMING] タグで処理時間を stderr に出力する：
[TIMING] PDFKit: 0.368s
[TIMING] Vision OCR: 13.142s
[TIMING] Total: 13.510s
制限事項
- macOS 専用
- 日本語・英語に対応
- パスワード保護された PDF は抽出できない