extracting-pdf-text

LLM 向け PDF テキストの抽出

このスキルでは、LLM が利用しやすい形式で PDF からテキストを抽出するためのツールとガイダンスを提供します。

クイック判定ガイド

PDF の種類	最適な方法	スクリプト
シンプルなテキスト PDF	PyMuPDF	scripts/extract_pymupdf.py
表を含む PDF	pdfplumber	scripts/extract_pdfplumber.py
スキャン画像の PDF（ローカル）	pytesseract	scripts/extract_with_ocr.py
複雑なレイアウト、最高精度	Mistral OCR API	scripts/extract_mistral_ocr.py
エンドツーエンドの RAG パイプライン	marker-pdf	pip install marker-pdf

推奨ワークフロー

1. まず PyMuPDF を試す - 最速で、ほとんどのテキストベース PDF を適切に処理します
2. 表の形式が崩れる場合 - pdfplumber に切り替えます
3. スキャン画像の場合 - Mistral OCR API（最高精度）またはローカル OCR（無料ですが、低速）を使用します

ローカルでの抽出（API 不要）

PyMuPDF - 高速な汎用抽出

最適な用途：テキスト量の多い PDF、速度が重要なワークフロー、基本的な構造の保持。

uv run scripts/extract_pymupdf.py input.pdf output.md

このスクリプトは、見出しと段落を保持した Markdown を出力します。LLM に最適化された出力には、テキストを RAG システム向けに整形する pymupdf4llm を使用します。

pdfplumber - 表の抽出

最適な用途：表を含む PDF、財務文書、構造化データ。

uv run scripts/extract_pdfplumber.py input.pdf output.md

表は Markdown 形式に変換されます。注：pdfplumber は、スキャン文書ではなく、機械生成された PDF で最もよく機能します。

ローカル OCR - スキャン文書

最適な用途：API にアクセスできない場合のスキャン PDF。

uv run scripts/extract_with_ocr.py input.pdf output.txt

必要なもの：pytesseract、pdf2image、および Tesseract のインストール（macOS では brew install tesseract）。

API ベースの抽出

Mistral OCR API

最適な用途：複雑なレイアウト、スキャン文書、最高精度、多言語コンテンツ、数式。

料金：1 ドルあたり約 1000 ページ（非常に費用対効果が高い）

export MISTRAL_API_KEY="your-key"
uv run scripts/extract_mistral_ocr.py input.pdf output.md

機能：

• クリーンな Markdown を出力します
• 文書構造（見出し、リスト、表）を保持します
• 画像、数式、多言語テキストを処理します
• 複雑な文書でも 95% 以上の精度です

API の詳細なオプションやその他のサービスについては、references/api-services.md を参照してください。

出力形式の推奨事項

LLM での利用には、Markdown が推奨されます：

• 意味上の構造を保持します（見出しがコンテキストの境界になります）
• 表の読みやすさが保たれます
• ほとんどの RAG チャンク分割方式と互換性があります

ローカルツールの詳しい比較については、references/local-tools.md を参照してください。