PDFの文字をコピーすると文字化け・四角になる原因と修正方法

Equalang

この記事の要点

画面では鮮明なPDFがコピー&ペーストで四角や文字化けになる原因(/ToUnicode CMapの欠落)、pdffontsによる10秒診断、OCRによる正確なテキスト抽出方法を徹底解説。

キーワード: pdf コピー 文字化け; pdf コピー 四角 トーフ; ToUnicode CMap 欠落; pdffonts 文字化け 診断; pdf テキスト抽出 文字化け 修正

PDFの画面上ではフォントの輪郭がどれほど鮮明に見えていても、テキストを選択してメモ帳やエディタに貼り付けると白抜きの四角(``)や無意味な記号、ずれた英単語(例:"Hello"が"Khoor"になるなど)に化けてしまうことがあります。この根本原因は、PDFに埋め込まれたフォント辞書内の**/ToUnicode文字マッピングテーブル(CMap)が欠落または破損していることにあります。PDFはワープロ文書ではなく、PostScriptから派生したページレイアウトおよびベクター描画フォーマットです。そのためビューアが画面に文字を描画する際は、フォントサブセット内のグリフID(字形番号)とベクター輪郭線**さえあれば事足り、その図形がどのUnicode文字(例:'A'=U+0041)を表すかを把握する必要がありません。文字情報とUnicodeの対応表(/ToUnicode)が存在しない場合や、スキャン文書の背面に過去の粗悪なOCRテキスト層が隠れている場合、クリップボードには文字コードではなく生の内部番号がそのまま渡されてしまいます。

画面描画の仕組みとコピー&ペースト(Ctrl+C)の仕組みの違い

Adobe AcrobatやChromeなどのビューア上では肉眼で普通に読めるのに、クリップボードにコピーした途端に意味不明な文字列になってしまうのは、一見すると矛盾しているように思えます。この現象が起きるのは、PDFの仕様(ISO 32000-1:2008 第9.10節 Extraction of Text Content)において、画面上に文字を描画する処理と文字をテキストとして抽出する処理が完全に独立した2つのデータ構造に分かれているためです。

PDFリーダーが画面上にテキストを描画する際の流れは次のとおりです。

  1. ページコンテンツストリームから、一連の**内部グリフID(字形番号)**を含む描画命令が出されます(例:<0001 0002 0003> Tj)。
  2. レンダリングエンジンは埋め込まれたサブセットフォントを参照し、1番の図形、2番の図形、3番の図形のベクター曲線を読み出します。
  3. 指定された正確な (x, y) 座標にベクター曲線を描画します。この段階において、グラフィックスエンジンは1番の図形がアルファベットの 'T' なのか、数学の積分記号なのか、企業のロゴマークなのかを一切認識していません。

しかし、その行をマウスで選択して Ctrl+C や Cmd+C を押した際、OSのクリップボードはベクター曲線を受け取ることができません。そのため、PDFビューアは内部グリフIDを標準的なUnicodeコードポイントへと変換しなければなりません。

[画面描画の処理フロー]
ページ描画命令 (<0001 0002 0003> Tj) ──► 埋め込みフォントのベクター輪郭線 ──► ディスプレイ上の鮮明な文字

[クリップボード複写の処理フロー]
ページ描画命令 (<0001 0002 0003> Tj) ──► フォント内の /ToUnicode CMap ──► Unicode文字列 (U+0054 "T"...)
                                           │
                                  (欠落または破損している場合)
                                           ▼
                                 白抜きの四角 ( ) / 記号 / ずれた文字

ファイルサイズを抑えるためにフォントのサブセット化(文書内で実際に使われている42文字のみを抽出し、出現順に 1 から 42 までの番号を割り当てる処理)を行った際、作成ソフトが明示的な /ToUnicode ストリームを埋め込み忘れると、ビューア側はコードを推測するしかなくなります。その結果、画面上で 'T' を描画している1番のグリフが、クリップボード上では不可視の制御文字(U+0001)や外字・私用領域(PUA)の白抜き四角、あるいはシフトしたASCIIコードとして出力されてしまいます。

PDFコピー時に文字化けが発生する3大根本原因

貼り付けられた文字化けのパターンを観察することで、PDFのどのレイヤーに原因があるのかを特定できます。

貼り付け時の症状典型例PDF内部の根本原因非OCRの変換ツールで修正可能か?
白抜きの四角(トーフ)、疑問符、制御文字や埋め込みサブセットフォントが Identity-H または独自番号を使用しており、/ToUnicode CMap が付与されていない。不可。 ファイル内に文字コード情報が存在しません。
シーザー暗号のようにずれた英字や無意味な記号"Hello" → "Khoor" または "!#$%&"独自の Type 1 / Type 3 フォントエンコーディング、または出版元によるフォント難読化でグリフ番号が標準ASCII/Unicodeからシフトしている。不可。 通常の変換ツールもクリップボードと同じ誤った対照表を読み込みます。
単語途中の文字抜けや不自然な記号"efficient" → "ef cient" や "ef?cient"フォントのリガチャ(合字)(fi, fl, ffi など)や数式記号に、複数文字への /ToUnicode マッピングが定義されていない。部分的に可能(手動の置換処理が必要)。
類似文字が混ざった崩れた文字列(1lI0O や無作為な記号)"The result" → "Thc rcsult ~!"スキャンPDF背面に隠された劣悪なOCR層:過去に低精度なOCRで生成された見えないテキスト層が、綺麗な画像の下に配置されている。不可。 既存のテキスト層を破棄してOCRを再実行する必要があります(--force-ocr)。

1. サブセットフォントにおける /ToUnicode CMap の欠落・破損

PDF作成ツールはデータ量を削減するために、ほぼ例外なくフォントのサブセット化(ABCDEF+TimesNewRoman のように文書内で使用するグリフのみを抽出して埋め込む手法)を行います。古い LaTeX 環境(旧バージョンの dvips / ps2pdf)、CAD図面のエクスポート機能、古い仮想PDFプリンター、あるいはコンテンツの複製を防ぐためにフォントの難読化を行う学術出版プラットフォームなどでは、字形に 0x0001 や 0x0002 といった連番を振り、エンコーディングを Identity-H に設定したうえで、/ToUnicode 辞書の埋め込みを省略してしまうケースが多々あります。

PDF内部のオブジェクト構造を直接確認すると、正常なフォントと文字化けするフォントの差異は以下のようになっています。

% 正常なフォントオブジェクト(正常にコピー&ペースト可能)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H
   /ToUnicode 15 0 R        % <-- グリフIDをUnicodeへ変換する有効なCMapストリームを参照
>>
endobj

% 破損・欠落したフォントオブジェクト(コピーすると文字化けが発生)
12 0 obj
<< /Type /Font
   /Subtype /Type0
   /BaseFont /BCDFEE+CMR10
   /Encoding /Identity-H    % <-- 内部IDのみで、/ToUnicode エントリが完全に欠落!
>>
endobj

2. フォントのリガチャ(合字)と特殊な数式・記号エンコーディング

学術論文などの組版(特に LaTeX の標準フォントである Computer Modern)では、連続する f と i を結合して1つのグリフ fi として描画することがあります。この1つのグリフが非標準の内部コード(例:0x0C)に割り当てられており、フォント側で1対多の /ToUnicode マッピング(<000C> <00660069>)が定義されていない場合、"first" をコピーすると " rst" や "?rst" のように欠落してしまいます。同様に、ギリシャ文字やマイナス記号、総和記号(シグマ)などが独自の Type 1 記号フォントに割り当てられている場合も、コピー時に無関係な文字へと化けてしまいます。

3. 鮮明なスキャン画像の背面に潜む劣悪な隠しOCRテキスト層

過去の文献や紙の書籍をスキャンしたPDFでは、画面に見えているページ自体は高解像度の画像(JPEG や JBIG2)です。文書内をキーワード検索できるようにするため、当時のスキャンソフトが見えない透明テキスト層(レンダリングモード 3 Tr)を画像の上に重ねていることがあります。マウスでテキストを選択する際、視覚的には鮮明なスキャン画像を見ているつもりでも、実際にクリップボードが取得しているのはその下に埋め込まれた精度の低い透明な文字層であるため、誤字だらけの文字列がコピーされます。

10秒で完了する原因診断:PDFのフォントテーブルを確認する

無駄にビューアを何種類も試したり、非OCRの「PDF Word 変換ツール」にファイルをアップロードする前に、PDF内部のフォント設定を診断すれば原因を一発で特定できます。

方法A:ターミナルで pdffonts を実行する(最速かつ確実)

オープンソースのPDFライブラリ Poppler(macOS なら brew install poppler、Ubuntu/Debian なら sudo apt install poppler-utils)を導入している場合、ターミナルで pdffonts コマンドを実行します。

pdffonts document.pdf

出力結果のうち、sub(サブセット化されているか)と uni(/ToUnicode マッピングが存在するか)の2列を確認します。

name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
GJXPKL+CMR10                         Type 1C           Custom           yes yes no       14  0
GJXPKM+CMSY10                        Type 1C           Custom           yes yes no       18  0
ArialMT                              TrueType          WinAnsi          yes no  yes      22  0
  • uni = yes:フォントに /ToUnicode テーブルが含まれています。それでも文字化けする場合は、テーブルの内容自体がずらされている(難読化文書)か、背面に埋め込まれた古いOCR層をコピーしている可能性が高いです。
  • sub = yes かつ uni = no:決定的な原因です。 独自エンコーディングでサブセット化されているにもかかわらず、ファイル内にUnicodeマッピング情報が一切存在しません。この状態のフォントストリームからは、通常のビューアや非OCR変換ツールで正常なテキストを取り出すことは原理的に不可能です。

方法B:Adobe Acrobat Reader の「プロパティ > フォント」で確認する

GUI上で手軽に確認したい場合の手順です。

  1. 対象のPDFを Adobe Acrobat Reader で開きます。
  2. ショートカットキー Ctrl+D(macOSは Cmd+D)を押すか、メニューの ファイル > プロパティ を開き、フォント タブを選択します。
  3. 問題のページで使用されているフォントを展開します。(埋め込みサブセット) と表示されているフォントのエンコーディングが カスタム または Identity-H(特に Type 1、Type 3、CID フォント)になっている場合、ほぼ間違いなくそのフォントが文字化けの原因です。

文字化けしたPDFから正常なテキストを抽出・復元する方法

/ToUnicode の欠落(uni = no)や古いOCR層の破損が確認できた場合、通常のコピー操作や非OCRの変換ツールをいくら試しても解決しません。それらのツールもクリップボードと同じ壊れたフォント対照表を参照しているためです。正常なテキストを取り出すには、フォントの内部コードを無視し、描画された文字形状を直接読み取る**光学文字認識(OCR)**を活用する必要があります。

解決策1:数行の短い引用なら画面OCRで即座に取得

論文や仕様書から1〜2段落や表の一行、引用文だけを素早く抜き出したい場合:

  • macOS(プレビュー / スクリーンショットの「テキスト認識表示 Live Text」): Cmd+Shift+4 で該当部分のスクリーンショットを撮り、macOS標準の「プレビュー」で開きます。Live Text機能はPDFのフォント辞書を一切参照せず、画像のピクセルから文字を直接認識するため、画面上の文字をそのままコピーできます。
  • Windows(PowerToys の「Text Extractor」): Win+Shift+T を押して画面上のPDFの段落を範囲選択すると、認識されたクリーンなテキストが直接クリップボードにコピーされます。

解決策2:PDF全体のテキスト層を ocrmypdf --force-ocr で再構築する

何十ページにも及ぶPDF全体を検索可能にし、どこでも自由に Ctrl+C でコピーできるように恒久修復したい場合は、オープンソースツールの ocrmypdf に --force-ocr オプションを付けて実行します。一般的なOCRツールはすでに文字情報が存在するページをスキップしてしまいますが、--force-ocr を指定すると、高解像度(300 DPI)でページをラスタライズした上で破損したフォントマッピングや古いOCR層を強制的に破棄し、正確なUnicodeテキスト層を新規に埋め込みます。

# ocrmypdf のインストール(macOS / Ubuntu)
brew install ocrmypdf
# または: sudo apt install ocrmypdf

# 破損したフォントマッピングや古いOCR層を強制破棄し、正常なUnicodeテキスト層を再構築
ocrmypdf --force-ocr broken-input.pdf clean-copyable.pdf

日本語と英語が混在する技術文書などの場合は、Tesseractの言語コード(-l jpn+eng)を明示的に指定して実行します。

解決策3:外国語の論文や技術マニュアルならコピーせず丸ごと対照翻訳する

そもそもPDFの文字をコピーしようとしたきっかけが、「英語や他言語の2段組論文や技術マニュアルの難解な段落をWeb翻訳ツールに貼り付けたかったから」というケースは非常に多く見られます。

文字化けと格闘したり、崩れた合字を手作業で直したり、段組で分断された文章を繋ぎ合わせる代わりに、レイアウト認識機能を備えたOCR文書翻訳ワークフローである Equalang ドキュメント翻訳 を活用する方法があります(詳細は PDF文書を翻訳して見開き・左右対照で読む方法 を参照してください)。ページの視覚的構造から直接テキストを認識するため、/ToUnicode テーブルが欠落したPDFであっても問題なく処理でき、2段組レイアウト、表、数式を保ったまま、原文と翻訳文を左右に並べてスムーズに対照読解できます。

Equalangのドキュメント翻訳ワークスペースで英語の2段組学術論文とその翻訳レイアウトを左右に対照表示している画面
PDFの/ToUnicodeマッピング欠落によりクリップボードへのコピーが文字化けする場合でも、文書レイアウトを直接翻訳することでテキスト抽出の手間を省けます

よくある質問(FAQ)

なぜ400%に拡大しても文字の輪郭が極めてシャープなのに、コピーすると文字化けするのですか?

画面上の鮮明さはベクターグリフ輪郭線(フォント内に保存された数学的な曲線データ)によって描画されているのに対し、コピー&ペースト処理は文字コード対照表である /ToUnicode CMap を参照しているためです。PDFビューアは、その形状がどのUnicode文字を表しているかというメタデータが一切存在しなくても、任意の倍率で美しい図形を描画することができます。

PDFのパスワードや権限制限を解除すれば文字化けは直りますか?

直りません。PDFのセキュリティ権限は「コピー操作メニューの有効・無効」を制御しているだけです。テキストをマウスで選択して Ctrl+C を押し、四角や記号であってもクリップボードに何かしらの文字が貼り付けられるのであれば、権限の問題ではなくフォント辞書内の /ToUnicode 欠落が原因です。

Microsoft WordでPDFを直接開いたり、無料の「PDF Word 変換」ツールを使っても同じ記号に化けるのはなぜですか?

一般的な高速変換ツールは、視覚的な光学文字認識(OCR)を実行せず、PDF内部に保存されているテキストストリームやフォント辞書をそのまま抽出してWord文書を構築するためです。pdffonts で uni = no と判定されるファイルには、そもそも文字コードの対応データが含まれていないため、画像認識を行わない変換ツールでは全く同じ文字化けが出力されます。

参考資料