なぜ DJVU を TXT に変換するのですか？
DjVu はスキャンされたドキュメントの画像コンテナであり、テキスト形式ではありません。そのため、プレーンテキストを取得するには、埋め込まれた OCR レイヤーを抽出するか、ページ画像に対して光学文字認識 (OCR) を実行する必要があります。.txt ファイルにすることで、DjVu リーダーがないデバイスでも内容の検索やコピーが可能になります。
DJVU から TXT への変換方法
DjVuLibre OPEN-SOURCE
djvutxt input.djvu output.txt を実行して埋め込み OCR テキストレイヤーを抽出します。これは .djvu に既にレイヤーが含まれている場合にのみ機能します。
Tesseract OCR OPEN-SOURCE
まず ddjvu -format=tiff -page=1 input.djvu page1.tiff でページを TIFF にラスタライズし、各画像に対して tesseract page1.tiff output を実行します。精度はスキャンの品質に依存します。
これらの形式について
品質と注意点
- これは「形式変換」ではなく「テキスト抽出」です。DjVu はエンコードされたテキストではなく、圧縮されたページ画像を保存しています。
- OCR レイヤーの有無はファイルによります。DjVu ビューアーでファイルを開き、テキストを選択してみてください。単語をハイライトできる場合は、OCR なしで
djvutxtが機能します。 - Tesseract の精度は、スキャンの品質と正しい言語パックがインストールされているかどうかに依存します。
よくある質問
`.djvu` にテキストレイヤーが埋め込まれているか確認するには？
DjVu ビューアーでファイルを開き、テキストを選択してみてください。単語をハイライトできるなら OCR レイヤーが存在しており、
djvutxt で抽出可能です。オンラインコンバーターで `.djvu` から TXT への変換は確実に行えますか？
この変換を確実に行えるブラウザベースのコンバーターは存在しません。ローカルソフトウェアが必要です。
`djvutxt` は複数ページのドキュメントでも機能しますか？
はい。全ページを連結した一つの
.txt ファイルが作成されます。
