UNIX Cafe | 第８４回
目次
PDFから取り出したテキストを、確認しやすく整える
PDFファイルからテキストを取り出せたとしても、
そのままでは 少し使いにくい状態 になっていることが多いです。
たとえば、
- 行の前後に余分な空白がある
- 日付の表記がバラバラ
- 空行が多くて読みづらい
これは失敗ではありません。
PDFという形式の性質上、よくある状態です。
この記事では、ターミナルを使って、
取り出したテキストを「確認しやすい形」に整える方法を紹介します。
はじめに｜「整える」は編集ではない
ここでいう「整える」とは、
- 文章を書き直すこと
- 表現を変えること
ではありません。
目的はただ一つ。
誤字脱字や内容を確認しやすくすること
そのための下準備が、今回の「整える作業」です。
まずは全体を読む（less）
いきなりコマンドで加工する前に、
まずは落ち着いて 中身を確認します。
less sample.txt- スペースキーでページ送り
/で検索- : q で終了
どこが乱れていそうか、
目で見て把握することが大切です。
行の前後にある余分な空白を消す
PDF由来のテキストでは、
行頭や行末に空白が入っていることがあります。
よくある例
今週の予定
営業日 これを、行構造を壊さずに整えます。
sed 's/^[[:space:]]*//; s/[[:space:]]*$//' sample.txt > step1.txt- 行の先頭の空白を削除
- 行の末尾の空白を削除
- 改行はそのまま
日付まわりの空白を整える（和暦の例）
PDFから取り出したテキストでは、
日付が次のようになることがあります。
令和 7 年 12 月 24 日（水）これを、自然な表記にそろえます。
令和7年12月24日（水）コマンド例
sed -E 's/令和 ([0-9]+) 年 ([0-9]+) 月 ([0-9]+) 日/令和\1年\2月\3日/g' step1.txt > step2.txtこの方法は、
- 「令和＋数字＋年」の形だけを対象
- 他の文章には影響しない
という点で、安全です。
空行が多すぎる場合の整理
ページ区切りの影響で、
空行が何行も続くことがあります。
空行を1行にまとめる
sed '/^$/N;/^\n$/D' step2.txt > pdf_body.txtこれで、
- 読みやすさ
- 確認しやすさ
がぐっと上がります。
整えすぎない、という考え方
大切なのは、
- 一気に全部直さない
- 元の意味を変えない
- 途中段階を残す
ということです。
sample.txt → 元データ
step1.txt → 空白整理
step2.txt → 日付整形
step3.txt → 読みやすさ調整このように、
段階ごとにファイルを分けるのがおすすめです。
まとめ｜整える作業は「確認のための準備」
- PDFから取り出したテキストは、そのままで正しい
- でも確認しやすくするには、少し整えると良い
- 空白・日付・空行を整えるだけで、作業効率は大きく変わる
この工程があるからこそ、
- 誤字脱字チェック
- HTMLとの照合
- 表記の統一
が、落ち着いて行えるようになります。
おわりに
ターミナルでの作業は、
「難しい操作」をするためのものではありません。
文章を、静かに・正確に確認するための道具です。
次は、整えたテキストとHTMLを照合する方法へ進んでみましょう ☕
さらに学びたいあなたへ
📘 用途ごとに選ぶ Linux のおすすめ本
PCfan
レベル別・用途別で選ぶおすすめLinux本｜初心者〜中級者向け日本語版ガイド｜UNIX Cafe
Linuxを学ぶ人のために、日本語版だけを厳選したおすすめ書籍をレベル別・用途別に紹介します。入門の基礎本から、シェルスクリプト・サーバー構築・セキュリティまで、UNI…
