PDF から本文を取り出す。
散らかった文字列ではなく Markdown で。

使い方

1. 01PDF を上の枠に落としてください。解析には Mozilla の pdf.js を使い、ライブラリもフォントもこのサイトから配っています。どの CDN にも問い合わせません。
2. 02本文はページ順に取り出します。文字サイズで見出しを決め、行間の空きで段落の切れ目を決め、上端や下端に張り付いた小さな文字はヘッダー・フッターとみなして捨てます。
3. 03ページの境目に HTML コメントを入れたいときはページ境界の印を入れてください。あとは Markdown をコピーするか .md で保存します。

対応しているもの

• 本物のテキスト層がある PDF すべて。Word、LaTeX、Pages、ブラウザの PDF 出力など
• 中国語・日本語・韓国語の本文。このサイトが同梱している CMap 表で読みます
• 文字サイズから推測した見出し。相対的な三段階です
• 行頭の文字から見分けた箇条書きと番号付きリスト
• 行末でハイフンに分かれた語を、一語につなぎ直します
• ページ区切りの印（任意）。1 ファイル 500 ページまで

できないこと

• スキャンした PDF からは何も出ません。文字が見つからなかったときは、スキャンの可能性が高いとお伝えします
• OCR はしません。文字の写真を読むのは、まったく別の道具の仕事です
• 段組み、複雑な表、数式は、よくても「できるところまで」です
• 暗号化された PDF、パスワードのかかった PDF は断ります。ここにパスワードを入れる場所はありません
• 画像、色、正確な位置は消えます。Markdown に保存する手立てがありません
• 25 MB を超えるファイル、500 ページを超える文書