XpdfReaderでPDFから日本語を抽出する方法（さくらのレンタルサーバ）

概要

さくらのレンタルサーバ（FreeBSD）で、PDF ファイルから日本語をテキストとして抽出するには、一般ユーザ権限で XpdfReader をセットアップします。

これは、「PHP - サーバーでPHPのexec関数を実行したい｜teratail に対する私の回答内容から、解決手順を改めて整理・記録・共有するものです。

解説

XpdfReader とは、オープンソースとして公開され、自由に利用できる ¹ PDF ビュアーであり、テキストや画像も変換できるコマンドラインツール群もあります。

この、コマンドラインツールは Windows、Linux、macOS に対応したバイナリが配布されていますが、FreeBSD では配布されていません。

FreeBSD では、 ports を使って Xpdf 関連パッケージが配布されているため、 root 権限がある環境であれば ports で比較的手軽にセットアップできます。

しかし、さくらのレンタルサーバのスタンダート等では、SSH でサーバにログインできるものの、 root 権限がありません。ports が使えない場合は、選択肢として2つあります。

• FreeBSD のパッケージがあれば、それをダウンロードして展開する
• ソースコードからツール群をコンパイルし、実行可能にする

今回は ports で配布されているバイナリがありますので、特段理由がなければ、そのバイナリをそのまま利用します。

PDF から日本語を抽出する手順

XpdfReader のセットアップ

FreeBSD 向けのバイナリを含むパッケージ（PDF からテキストを抽出するツール pdftotext を含む）があります。パッケージをダウンロードし、展開すると、コマンドは利用可能になります。

以下の例では /home/ユーザ名/usr/local/libexec に展開しています。必要であれば、環境にあわせて書き換えます。

% wget https://pkg.freebsd.org/FreeBSD:12:amd64/quarterly/All/xpdf-4.02,1.txz
% tar xvfz xpdf-4.02,1.txz
% ./usr/local/libexec/xpdf/pdftotext -v
pdftotext version 4.02
Copyright 1996-2019 Glyph & Cog, LLC

これで、 PDF から文字を抽出する pdftotext コマンドが利用可能になりました。

日本語への対応

初期状態では英語の PDF にしか対応していません。そのため、日本語に対応するためのパッケージも、あわせてセットアップします

% wget https://pkg.freebsd.org/FreeBSD:12:amd64/quarterly/All/ja-xpdf-jafont-4.02.txz
% tar xvfz ja-xpdf-jafont-4.02.txz

このコマンドを仮に /home/example/ で実行したいとしますと（ example は実際のログインユーザ名に置き換えてお考えください）、 /home/example/usr/local/share/xpdf/japanese/ 以下に ShiftJIS を扱うために必要な Shift-JIS.unicodeMap などのファイルが展開されます。

次に、 ~/.xpdfrc ファイルを作成するか、既に有る場合は、以下の記述を追加します。※ /home/example/ 以下は、実際のサーバ上のパスを指定します。

~/.xpdfrc

unicodeMap Shift-JIS /home/example/usr/local/share/xpdf/japanese/Shift-JIS.unicodeMap

（参考：ISO-2022-JP や EUC-JP に対応する場合は、同様に記述の追加が必要です。詳細はパッケージ同梱の dot.xpdfrc を参照）

% cat dot.xpdfrc
# Japanese PDF resources
cidToUnicode    Adobe-Japan1    /usr/local/share/xpdf/japanese/Adobe-Japan1.cidToUnicode
unicodeMap      ISO-2022-JP     /usr/local/share/xpdf/japanese/ISO-2022-JP.unicodeMap
unicodeMap      EUC-JP          /usr/local/share/xpdf/japanese/EUC-JP.unicodeMap
unicodeMap      Shift-JIS       /usr/local/share/xpdf/japanese/Shift-JIS.unicodeMap
cMapDir         Adobe-Japan1    /usr/local/share/xpdf/japanese/CMap
toUnicodeDir                    /usr/local/share/xpdf/japanese/CMap

それから、コマンドラインでの実行をお試しください。

たとえば、次のようにコマンドラインを実行すると、 PDF の変更ができるかどうかを確認できます。

実行例： test.pdf （「これはテストです」という文字がある）から output.txt に抽出

% ./usr/local/libexec/xpdf/pdftotext -enc Shift-JIS -raw ./test.pdf output.txt
Config Error: No paper information available - using defaults
% cat output.txt
これはテストです。

ただし、「これはテストです」の文字が Shift JIS 形式でターミナル画面に表示されるため、ターミナルが UTF-8 など Shit JIS でなければ文字化けして見えるので注意が必要です。

Enjoy!

参考

• PHP - サーバーでPHPのexec関数を実行したい｜teratail

1. GPLv2 および GPLv3 の元にソースコードが公開 https://www.xpdfreader.com/opensource.html ↩