Internet Archiveの本をダウンロードする方法：実用的なPDFやEPUBの選び方

Internet Archiveでファイルとして一般公開されている本をダウンロードするには、そのアイテムページを開き、 Download Optionsを見つけて、提供されているPDFまたはEPUBを選択します。特定のファイルが必要な場合は、 Show All を使用してください。その後、読書フローに移る前に、版の情報と実際のページを数ページ確認しましょう。

この最後のステップが重要です。私たちが調査したフランス語版の 『カンディード』 では、EPUBはZIP整合性チェックを通過したものの、ナビゲーション文書が空でした。また、PDFでは読める文章が、両ファイルの抽出テキストでは破損していました。ダウンロードの成功は、確認作業の始まりにすぎません。

このガイドでは、閲覧制限付きの貸出本のエクスポートではなく、通常の一般公開されているダウンロードを扱います。Internet Archiveは、 すべてのアイテムやファイルがダウンロードできるわけではないとしています。まず適切な言語版を見つけるためのサポートが必要な場合は、 パブリックドメイン電子書籍の選び方ガイド.

そのアイテムで提供されているファイルをダウンロードする

1. 検索結果やリーダー内の単一ページだけでなく、その本の アイテムページを開きます。
2. タイトル、著者、言語、巻数、出版情報を確認します。特定のエディションが重要な場合は、スキャンされた標題紙（タイトルページ）を開いて確認してください。
3. を Download Options 見つけ、そのアイテムで実際に提供されているフォーマットを選択します。
4. 特定のファイル名を指定してダウンロードしたい場合は、 Show Allをクリックし、該当するファイルを選択します。PDFがブラウザ内で開く場合は、ブラウザのダウンロード機能を使ってPDF本体を保存してください。
5. 後から出典を確認できるよう、ダウンロードしたファイルと一緒にアイテムのURLも保存しておきましょう。

これらは Internet Archiveのファイルダウンロード手順における標準的なダウンロード方法です。複数のファイルを含むフォーマットを選択するとZIP形式でダウンロードされる場合がありますが、これは複数のファイルがまとまったものであり、必ずしも1冊の本とは限りません。必要なのが1つのファイルだけであれば、個別のファイルを選択してください。

「すべてのファイルをダウンロード」から始めるのは避けましょう。アイテムのファイル一覧には、スキャン画像、メタデータ、OCR出力、サムネイル、そして複数の閲覧用フォーマットが含まれていることがあります。ファイル数が膨大になると確認の手間が増えるだけで、より良い閲覧用ファイルが手に入るわけではありません。

PDFやEPUBが見当たらない場合

ダウンロードURLを推測するのではなく、実際のファイル一覧を確認してください。別のフォーマットで提供されている場合もあれば、アクセス制限が設定されている場合もあります。プレビューで本が閲覧できるからといって、通常のPDFやEPUBが必ず提供されているとは限りません。

アイテムが貸出（Borrowing）や制限付きリーダーに誘導される場合は、そこに表示されているアクセスオプションに従ってください。このパブリックダウンロードの手順を使っても、貸出本を制限のないファイルに変換することはできません。同様に、ダウンロードできたとしても、その後のアップロード、翻訳、再配布がすべて許可されているわけではありません。該当する版の権利情報を、出典の記録とともに手元に残しておきましょう。

閲覧用ファイルと（必要な場合は）スキャン参照用ファイルの選び方

拡張子だけで選ぶのではなく、その版を使って何を行いたいかに応じて選んでください。

EPUB形式なら古い本でも読みやすくなりますが、スキャンから生成されたEPUBが必ずしも校正済みのテキストデータとは限りません。Internet Archiveの OCRトラブルシューティングガイド では、スキャンの状態、タイポグラフィ、言語、ページの向きなどが文字認識の精度を左右し、生成されたリーダー向けファイルにもそれらの誤りが引き継がれる可能性があると説明されています。

検索可能なPDFでは、目に見えるページ画像と、選択や検索に使われるテキスト情報の2点を確認する必要があります。Internet Archiveの PDF生成ドキュメント によると、PDFは画像とOCRで抽出されたテキストから構築されています。そのため、見た目がきれいなページであっても、単語を正しくコピーできるとは限りません。

スキャンベースの書籍の場合、読書用にはEPUBを手元に残しつつ、参照用として 同じアイテムのPDF も保持しておくと役立ちます。これによりEPUB自体の正確性が上がるわけではありませんが、内容を照合する手段が確保できます。フォーマット全般のトレードオフについては、 EPUBとPDFの比較.

フランス語版『カンディード』のダウンロードファイルの実態

私たちは、1761年のフランス語版 Internet Archiveアイテム candideouloptimi00volt_1（書誌情報上は『 カンディード』）からEPUBファイルを検証しました。2026年9月12日にそのPDFをダウンロードし、両ファイルを最新のファイルメタデータと照合した上で、同一アイテムから抽出したページの比較を行いました。

EPUBは9月11日にダウンロードしたもので、そのファイルサイズと公開チェックサムは9月12日時点のメタデータと一致していました。パッケージ構造を調査し、PDFの4ページをレンダリングして、対応する本文サンプル3件を比較しました。なお、これは 完全な校正やEPUBリーダーの互換性テスト、BookTranslatorによる翻訳テストではありません.

PDFファイルの9ページ目にある扉画像には、日付として明確に M. DCC. LXI.と記載されています。版を特定するために、アイテムのレコードだけでなくその画像も確認しました。ファイルのタイムスタンプやウェブサイトに追加された日付は、本そのものを確認することの代わりにはなりません。

こちらの ダウンロード検査記録 には、ファイル識別子、ハッシュ値、対象範囲、観察結果が記載されています。また、 再現手順のメモ では、私たちの結論に依存せずに、これらの限定的な検証を再実行する方法を解説しています。

例1：装飾が文字として認識されたケース

PDFファイルの11ページ目では、章の冒頭部分のタイトルの上に大きな装飾枠があります。これに対応するEPUBファイル（ EPUB/page_11.html）では、タイトルの前に無関係な記号や文字の羅列が入ってしまっています。また、PDFから抽出されたテキストにも同様のノイズが含まれています。

レンダリングされた実際のページを見れば、問題は一目瞭然です。それらの記号は装飾の一部であり、導入の文章ではありません。PDFを選択すれば画像が残るため、読者が誤認識に気付くことができますが、そのテキスト層からコピーすると誤認識の問題がそのまま引き継がれてしまいます。

古いフランス語の本に見られる見慣れない綴りを、すべて誤りだと決めつけないでください。歴史的な活字や綴りは、実際の画像と比較して確認する必要があります。装飾が架空の文字列として出力されてしまう問題は、見慣れないものの実際に印刷されている本物の単語とは別の問題です。

例2：判読可能な文章が両方のテキスト出力で破損していたケース

PDFファイルの260ページ（書籍上の表記は252ページ）では、画像上に Turquie および Panglossについての言及が見られます。しかしEPUBの page_260.htmlでは、それらの名前の周辺の行が文字化けしたテキストに置き換わっており、Poppler 26.08.0で抽出したPDFテキストでもその箇所が破損していました。

このため、元のソースをさらに確認することなく、このEPUBをそのまま長文ドキュメントの処理フローに投入することはおすすめしません。PDFに切り替えてそのテキストをコピーしても、確認された破損は解決しませんでした。なお、書籍全体のエラー率の算出や、どのOCRワークフローを用いれば最も綺麗に修復できるかの検証までは行っていません。

3つ目の本文サンプルとして、PDFファイルの100ページ（書籍上の表記は92ページ）を確認しました。これは書籍中盤の別の比較データを提供するものであり、残りのページがすべて正確であることを保証するものではありません。冒頭のページを確認するだけでは、後のページに見られるテキスト破損に気づくことはできなかったでしょう。

別の版では同じ形式が提供されていなかったケース

私たちは アイテム candideouloptim01voltgoogも確認しました。目録のメタデータには1759年の出版と記載されています。9月12日時点のファイル一覧にはDjVuファイルが含まれていたものの、 PDFやEPUBのエントリはありませんでした。9月11日にダウンロードしたDjVuは6,510,150バイトで、公開されているチェックサムは更新されたメタデータと一致していました。

これはファイルの提供状況の確認であり、その版の表示内容をレビューしたものではありません。そのテキストの方が優れているか、完全であるか、あるいは特定の調査用途において1761年版の代わりになり得るかまでは確認していません。

実用面での教訓は単純です。同じ作品の2つのレコードは、互換性のあるダウンロードメニューではないということです。特定の版が必要な場合は、提供されているファイル形式に対応したリーダーを使用するか、その版の別のスキャンを探してください。単にその作品を読みたいだけであれば、出所が明確な別の版を選ぶ方が簡単な場合もあります。

ファイルサイズが小さいこと、発行年が古いこと、あるいはDjVu拡張子であることが、OCRの精度の高さを意味すると思い込まないでください。これらはテキストの正確さとは別の属性です。

書籍を取り込む前に簡単な受け入れチェックを実施する

こちらの 版とファイルの受け入れワークシートをダウンロードしてください。特に同じタイトルの複数の版を比較する場合は、アイテムごとに1部ずつ保管してください。

以下の5つのチェックを順番に実施してください：

1. 特定（Identity）： アイテムのレコードが、必要な扉ページ、言語、巻数、版と一致しているか確認します。曖昧なままどちらかのソースを決め打ちするのではなく、相違点があれば記録してください。
2. 利用形態（Access）： 通常のダウンロードとして提供されているか？権利表記を保存し、個人利用とアップロードや再配布の意図とを区別してください。
3. ファイルの起動： 保存したファイルは、利用予定のアプリで問題なく開けますか？ZIPチェックでEPUBアーカイブの破損診断はできますが、実際のリーダーで開く確認の代わりにはなりません。
4. ナビゲーションと網羅性： 目次メニュー、中間部分、末尾を確認してください。これらをスキャン原本や版自体の目次と比較しましょう。EPUBのspineエントリを章と同一視したり、PDFのファイルページ番号を印刷上のページ番号と同一視したりしないでください。
5. テキストの品質： 冒頭付近、中間、末尾付近から短い文章を抜き出して比較します。固有名詞、アクセント記号、ページまたぎの部分も含めましょう。ページ画像を見るだけでなく、表示されている単語を検索し、コピーしたテキストを検査してください。

その結果をもとに次の行動を決定します。ファイルが開かない場合は、ダウンロードやフォーマットの問題が疑われます。見た目に問題がなくてもコピーすると文字化けする場合は、 テキスト層の診断が必要です。スキャンページ自体が欠落しているなら、OCRをやり直すのではなく別のソースを探す必要があります。ナビゲーションメニューが空白でも、少し参照する程度なら耐えられますが、じっくり通読するには不便です。

今回の『 カンディード 』のサンプルの場合、スキャン版は視覚的なリファレンスとして手元に残しつつ、より状態の良いテキスト版を探すか、本格的に再利用する前に破損テキストを修復・検証します。ダウンロードとZIPチェックを通過したからといって、EPUBがそのまま使える状態だとは判断しません。

言語だけが残る障害である場合のみ翻訳する

すでに理解できる言語でファイルが読める状態なら、作業はそこで完了かもしれません。また、新しく翻訳を作成するよりも、希望する言語で既に出版されている版を探すほうが適している場合もあります。

実用的なファイルがあり、意図した用途に必要な権利を有しており、残る問題が言語の壁だけである場合は、BookTranslatorの EPUB翻訳 または PDF翻訳 が有力な選択肢となります。これらはファイル翻訳ワークフローであり、Internet Archiveの貸出制限を解除するツールではありません。なお、本ガイドの確認時点では、DjVuはBookTranslatorのアップロード対応フォーマットには含まれていません。

画像ベースのソースや認識テキストが破損している場合は、先に進む前に スキャンPDF向けワークフロー をご確認ください。BookTranslatorのOCRモードは元のページレイアウトを完全に維持するのではなく、翻訳後のコンテンツを再構成します。なお、この 『カンディード』 ファイルからエクスポートしたプレーンテキストで発生しがちです。元のスキャンデータを手元に残し、内容を確認する際、重要な箇所を照らし合わせてチェックできるようにしておきましょう。

目指すべき成果は、単に「本をダウンロードした」ということではありません。「版を特定し、読書目的に適したファイルか確認し、どんな課題が残っているかを把握した」という状態に到達することです。