PDFからコピーするとページ番号やヘッダーが本文に混ざる

20ページの報告書からテキストを起こしたら、本文の途中に資料名とページ番号が20回ずつ挟まっていた。
PDFのコピペで地味に手間なのが、この混入かと思います。

消えない理由

PDFにとって、ヘッダーもフッターも本文も、同じ「ページの上に置かれた文字」です。
ここは本文でここは飾り、という区別を持っているわけではありません。

コピーする側から見ると、ページの端にあるというだけで、他の文字と区別する手がかりがない状態です。
そのため、素直に全部書き出されます。

Ctrl+Fで消して回るにも、ページ番号は1ページごとに数字が違うので、一括置換が効きません。
結局、目で追って1件ずつ消していくことになります。

テキストからでも、当たりはつく

貼り付けたテキストだけを見ている場合でも、手がかりがないわけではありません。

ヘッダーやフッターには、短くて、何度も同じ形で出てくるという特徴があります。
「令和7年度事業報告書」が10回出てきて、その周りに「- 3 -」「- 4 -」のような行が並んでいれば、本文ではない可能性が高いと見当がつきます。

PetaPDFの貼り付けモードは、この考え方で判定しています。
何度も繰り返される短い行と、数字だけの行を候補として拾い、除去します。

ただし、あくまで推測です。
本文に同じ短い一文が何度も出てくる資料なら、巻き込む場合もあります。

ファイルから読むと、位置が使える

PDFファイルをそのまま渡した場合は、事情が変わります。
ツールがPDFの中身を解析するので、文字の座標が読めるためです。
「ページの上から数％以内にある行」という条件が使えるようになります。

そのうえで、それがページをまたいで繰り返し現れるかを見れば、判定の確度は上がります。
ページの上端にあって、かつ全ページで同じ文言が出ている行は、ヘッダーと考えてまず外れないところです。

貼り付けたテキストからでは、そもそもどこがページの境目だったのかがわかりません。
PetaPDFにPDFファイルの解析機能を入れているのは、この差を埋めるためです。

消した行は見せる

自動判定を入れるうえで気をつけたのが、消したものを隠さないという点です。

判定である以上、本文を巻き込む可能性は残ります。
そこで、除去した行は結果画面に一覧で表示するようにしました。
見覚えのない一文が並んでいたら、その項目をオフにして処理し直せます。

黙って消してくれる方が手数は少ないのですが、後から気づけない方が困るだろう、という判断です。

※ページ番号だけを残したい（引用元を示したい）という場合もあるかと思います。その場合は該当の項目をオフにしてください。