投稿システムでは本文、付表、カバーレターを一つの PDF にまとめる必要があり、指導教員から届いたスキャンは文字検索できず、付表は Excel に写さなければならない。まず Acrobat を探すか、オンラインサービスにアップロードする人が多いでしょう。しかし、こうした作業の多くにはもっと適した方法があり、未発表の原稿をパソコンの外に出す必要もありません。
結論: 結合、分割、回転、OCR、文字情報のある PDF からの表の抽出は、多くの場合 Acrobat を必要としません。本文の編集、複雑なフォーム、電子署名、コンプライアンスを伴う保存が必要な場合は別途検討が必要で、本記事はこれらのツールが Acrobat のすべての機能を代替するとは考えていません。
検証範囲(2026-11-09、Linux): コマンドラインツールの qpdf 11.9.0、OCRmyPDF 17.14.0、Tesseract 5.3.4、tabula-py 2.10.0 は、自作のサンプル PDF で実際に実行しました。スクリプトは pdf_tools_demo.py です。PDF Arranger、PDFsam Basic、Tabula デスクトップ版、Sioyek などの GUI ソフトはまだ操作しておらず、記述は公式情報に基づきます。
1. 作業別のツール選び
| 作業 | おすすめ | 費用とライセンス | 対応 OS | ファイルは外部に出るか |
|---|---|---|---|---|
| 結合、分割、回転(画面で操作) | PDF Arranger | 無料、GPL-3.0 | Windows、Linux | ローカル |
| 結合、分割、ページ抽出 | PDFsam Basic | 無料、AGPL-3.0。別に有料製品あり | Windows、macOS、Linux | ローカル |
| ページの一括処理 | qpdf | 無料、Apache-2.0 | Windows、macOS、Linux | ローカル |
| スキャンを検索可能な PDF に | OCRmyPDF | 無料、MPL-2.0 | Windows、macOS、Linux | ローカル |
| 文字情報のある PDF の表の抽出 | Tabula | 無料、MIT 系ライセンス | 公式ダウンロードページによる | ローカル |
| 論文を読む | Sioyek | 無料、GPL-3.0 | 公式ダウンロードページによる | ローカル |
「無料」と「オープンソース」は別のことです。ここに挙げた主なツールは両方を満たしますが、PDFsam には有料製品もあるため、有料版の機能を Basic のものと考えないようにしてください。
2. 結合、分割、並べ替え
数ファイルなら GUI が便利です。PDF Arranger はサムネイルのドラッグによるページ順の変更、回転、切り抜きに、PDFsam Basic はページ番号による分割や結合に向いています。
数十ファイルを扱うならコマンドラインのほうが安定します。次のコマンドは実際に実行しました(a.pdf は 3 ページ、b.pdf は 2 ページ)。
# 結合、5 ページになる
qpdf --empty --pages a.pdf b.pdf -- merged.pdf
# 2-3 ページを抽出
qpdf merged.pdf --pages . 2-3 -- part.pdf
# 並べ替え:5 ページ目を先頭に、続けて 1 ページ目
qpdf merged.pdf --pages . 5,1 -- reordered.pdf
# 1 ページ目を時計回りに 90 度回転
qpdf merged.pdf --rotate=+90:1 rotated.pdf
結果を確認すると、結合は 5 ページ、抽出は 2 ページ、並べ替え後の文字の順序は「Paper B page 2、Paper A page 1」、1 ページ目の回転属性は 90 でした。
3. 表の抽出:まず「本物の文字」か確かめる
PDF の文字を選択できれば文字情報があり、選択できなければ画像である可能性が高いです。pdftotext でも判別できます。
pdftotext file.pdf -
Tabula は文字情報のある PDF を対象としています。同じ表で比較しました。
| 入力 | 結果 |
|---|---|
文字情報のある PDF、罫線あり(lattice モード) |
4 行 3 列、内容は元の表と完全に一致 |
| スキャン(画像のみ) | 表は抽出されず |
抽出後は必ず原文と照合しましょう。結合セル、ページをまたぐ表、罫線のないレイアウトでは列のずれが起こりやすくなります。
4. スキャンを検索可能な PDF に
OCRmyPDF は画像の下に文字の層を加えるため、ページの見た目はほぼ変わりません。
# 英語の場合。日本語は -l jpn で、対応する言語パックが必要
ocrmypdf -l eng --output-type pdf scan.pdf scan_ocr.pdf
# 現在のフォルダーを一括処理(bash)
for f in *.pdf; do ocrmypdf -l eng --output-type pdf "$f" "ocr_$f"; done
サンプルのスキャンページからは OCR 前には文字をまったく抽出できず、OCR 後は本文 3 文が正しく認識されました。ただし、表の 1 行目の 「S1」は「Sl」と認識されました(数字の 1 が小文字の l に)。
良い教訓です。OCR の文字は検索や位置の特定には適していますが、そのままデータとして使うことはできません。試料番号、数値、単位は必ず元の画像と照合しましょう。
OCRmyPDF の既定の出力は PDF/A ですが、本記事の例では通常の PDF を指定しています。長期保存が必要な場合は、機関の要件に従って出力ファイルを検証してください。
5. 論文を読む
論文を読むときの悩みは、数式と参考文献の間を行き来することです。Sioyek は論文や技術文書向けの PDF リーダーで、公式リポジトリのライセンスは GPL-3.0 です。文献管理が中心なら、Zotero の内蔵リーダーで十分かもしれません。
6. 機密ファイルはまず「どこへ行くか」を考える
未発表のデータ、査読原稿、カルテ、契約書を安易にオンラインツールにアップロードすべきではありません。
- 上の表のツールはローカルで処理します。これが機密ファイルに対する主な利点です。
- ZIRULAB のツール一覧にある PDF24 Creator には Windows 版と Web 版があるため、どちらを使っているか区別しましょう。Web のツールは通常アップロードを伴うので、プライバシーの説明を確認してください。
- Stirling-PDF は自分でホストできますが、他人がホストしたサービスを使えば、ファイルはやはりパソコンの外に出ます。
- 組織の情報セキュリティ規定がある場合は、それに従います。
また、「黒く塗った」ことは削除を意味しません。PDF に黒い四角を重ねても、下の文字が残っていることがあります。本当の墨消しには専用の機能が必要で、結果の検証も必要です。
7. Acrobat がまだ必要かもしれない作業
- ページ内の本文やレイアウトの直接編集。
- 複雑なフォームの設計、電子署名、承認フロー。
- 真の墨消し(redaction)やプリフライトなどのコンプライアンス要件。
- 組織が Acrobat を指定している業務。
これらの機能の範囲と価格は Adobe の公式情報を確認してください。多くの大学や機関にはライセンスがあるので、購入前に問い合わせてみましょう。
8. 向いている人
向いている: 投稿書類の結合、スキャン文献の処理、論文からの表の抽出をよく行う研究者。
向かない: PDF の本文編集や複雑なフォームの管理が主な仕事の人。
これらの手順を組み合わせるには、ZIRULAB のスキャン PDF の OCR と文献整理のワークフローを参考にしてください。
