PDFのハイフネーションとは?
ハイフネーションとは、長い単語を行の終わりで切り、切れ目をハイフンで示すことで、段落の各行の幅をそろえる手法です。印刷された本では目に見えない作業ですが、PDFではその切れ目が文字データの一部になります。段落をコピーしたり、単語を検索したり、ファイルを編集できる文書に変換したりすると、たとえば information という語が infor- と mation の二つに分かれて別々の行に現れることがあります。人間の目には一つの単語でも、プログラムには二つの断片に見えます。英語やドイツ語など、ハイフネーションを多用する言語の文書では特に頻繁に起きます。
ソフトハイフンとハードハイフン
ワープロには二種類のハイフンがあります。単語が行末に来たときだけ表示され、それ以外では消えるソフトハイフンと、well-known のように常に単語の一部であるハードハイフンです。PDFに書き出すとレイアウトが固定されるため、この区別は失われることが多くなります。その結果、抽出したテキストには、単なる改行位置のハイフンと、複合語に属するハイフンが混在することになります。
検索と抽出への影響
単語が二つの行にまたがって分割されていると、その単語全体での検索は失敗し、コピーしたテキストにも切れた断片がそのまま残ります。スキャンしたページの文字認識でも、ハイフンは通常の文字として読まれるため同じ問題が起きます。一般的な後処理は、行末がハイフンで終わる単語を次の行の先頭部分とつなぐことです。ただし、本物の複合語のハイフンは残します。
AuraDocでの使い方
「PDF をテキストに変換」はファイルの単語をプレーンテキストとして取り出し、「PDF を Word に変換」は文書を編集できるファイルにし、「PDFのOCR」はスキャンしたページの文字を認識して検索できるようにします。いずれの結果でも、行末で分割された単語がないか確認してください。どの結果も新しいファイルとして出力されるので、元のファイルはそのまま残ります。
この用語を使うツール
この用語が出てくるガイド
よくある質問
- 行末のハイフンは、いつも本物のハイフンですか?
- いいえ。行に収めるために入れられた切れ目にすぎないことがよくあります。次の行の先頭に単語の残りがあり、二つの部分は本来つながっています。
- ページ上で見える単語が検索で見つからないのはなぜですか?
- ハイフネーションで二つの行に分かれていると、検索は一つの単語ではなく二つの断片を見ているからです。単語の短い一部分で検索すると見つかることが多いです。
- 抽出したテキストのハイフンはすべて削除すべきですか?
- いいえ。削除するのは改行のためのものだけです。複合語や範囲を表すハイフンは本文の一部なので、残してください。