pdf-extraction

PDF テキスト抽出

Asta のリモート OCR API を使って、ローカルの PDF からテキストを抽出します。このコマンドは、文書の構造、見出し、書式、表、リスト、強調を保持した Markdown を返します。

クイックスタート

# Print extracted markdown to stdout
asta pdf-extraction remote paper.pdf

# Save extracted markdown to a file
asta pdf-extraction remote paper.pdf -o paper.md

# Extract the first 50 pages
asta pdf-extraction remote paper.pdf \
  --start-page 0 \
  --max-pages 50 \
  -o paper-part-1.md

# Extract pages 50-99
asta pdf-extraction remote paper.pdf \
  --start-page 50 \
  --max-pages 50 \
  -o paper-part-2.md

# Extract embedded images next to the markdown file
asta pdf-extraction remote paper.pdf -o output/paper.md --images

引数

• <pdf>：ローカルの PDF パス（必須。ファイルが存在し、読み取り可能である必要があります）
• -o / --output：Markdown の出力先パス（デフォルト：標準出力）
• --start-page：処理する最初のページ。ページ番号はゼロから始まります （デフォルト：0）
• --max-pages：処理する最大ページ数（デフォルト：50）
• --images / --no-images：埋め込み画像を Markdown と同じ場所に保存するかどうか （デフォルト：--no-images）

このコマンドには、認証済みの Asta セッションが必要です。

手順

1. 入力と出力を確認する

ローカルの PDF と、ユーザーが Markdown の保存先として希望する場所を確認します。結果を後の作業で利用できるよう、明示的に -o パスを指定することをおすすめします。このコマンドは、出力ファイルの親ディレクトリがない場合に作成します。

2. ページ範囲を選択する

50 ページ以下の PDF では、デフォルト値を使用します。

asta pdf-extraction remote document.pdf -o document.md

50 ページを超える PDF では、連続した範囲ごとに別々のコマンドで処理します。ページ番号はゼロから始まるため、2 つ目の 50 ページの範囲はページ 50 から始まります。

asta pdf-extraction remote document.pdf \
  --start-page 0 --max-pages 50 -o document-part-001.md
asta pdf-extraction remote document.pdf \
  --start-page 50 --max-pages 50 -o document-part-002.md
asta pdf-extraction remote document.pdf \
  --start-page 100 --max-pages 50 -o document-part-003.md

ファイルがページ順に並ぶよう、パート番号にはゼロ埋めを使用します。

3. 必要に応じて画像を抽出する

図、図表、その他の埋め込み画像が重要な場合は、--images を使用します。

asta pdf-extraction remote document.pdf \
  -o extracted/document.md \
  --images

画像は出力ファイルのディレクトリに保存され、Markdown 内ではファイル名で参照されます。--images を使う場合は、必ず -o も指定してください。指定しないと、画像はカレントディレクトリに書き込まれます。

4. 結果を確認する

抽出後、次の点を確認します。

• 出力ファイルが存在し、空でないこと。
• 指定した範囲の最初と最後のページが含まれていること。
• 見出し、表、数式、複数段組みのテキストが読み取れること。
• --images を指定した場合、画像参照先が正しく表示されること。

文書を分割して処理した場合は、順序と出所が明確になるよう、抽出したファイルと一緒に元の PDF とページ範囲を保持してください。

よく使われるワークフロー

スキャンされた PDF を抽出する

asta pdf-extraction remote scanned-document.pdf \
  -o extracted/scanned-document.md

選択した範囲のみを抽出する

PDF ビューアーで表示される 21～30 ページを抽出するには、ゼロ起点のページ 20 から開始し、10 ページを指定します。

asta pdf-extraction remote report.pdf \
  --start-page 20 \
  --max-pages 10 \
  -o report-pages-21-30.md

Asta の文書インデックス用にテキストを抽出する

Markdown をユーザーのデータセットまたは文書ディレクトリに保存し、asta-documents または local-paper-index スキルを使ってインデックスを作成します。可能であれば、インデックスのメタデータにソース PDF へのリンクを保持してください。

トラブルシューティング

認証エラー

ユーザーが Asta にログインしていることを確認してから、同じコマンドを再実行してください。

リモート OCR API エラー

このコマンドは、HTTP ステータスとサービスからの応答を報告します。ネットワーク接続を確認して再試行してください。大きなリクエストが繰り返し失敗する場合は、--max-pages を減らして、より小さなページ範囲に分けて処理してください。

出力が空、または不完全

• --start-page が文書の範囲内であることを確認してください。
• 指定した範囲が最終ページを超えていないか確認してください。
• ページ数を減らして再試行してください。
• 画像のみのページや、通常より複雑なページについては、抽出結果を採用する前に、ソース PDF で該当ページを確認してください。

画像が別のディレクトリに書き込まれた

--images と明示的な -o パスの両方を指定してコマンドを実行してください。画像は出力ファイルの隣に保存されます。出力ファイルを指定しない場合は、カレントディレクトリに保存されます。

このスキルを使用する場面

次の場合に PDF 抽出を使用します。

• ユーザーが PDF からテキストまたは Markdown を抽出したい場合。
• PDF がスキャン画像である、または画像ベースのテキストを含み、光学文字認識（OCR）が必要な場合。
• 文書に表、数式、複数段組み、複雑な書式が含まれる場合。
• インデックス作成や後続の分析に、抽出したテキストが必要な場合。

次の場合は使用しないでください。

• 入力が PDF ではなく画像の場合。
• ユーザーが必要としているのが論文のメタデータや、検索可能な短い抜粋のみの場合。
• ユーザーがリアルタイムまたはストリーミングでの抽出を必要としている場合。