mcpField
P
pdf-word-reader-zh

pdf-word-reader-zh

github.com/20041002liu-cloudドキュメント5161 回インストール33 週間前に更新
リポジトリ

pdf-word-reader-zh について

pdf-word-reader-zhは、PDFやDOCXから抽出テキスト、根拠参照付きのチャンク、分析レポートのひな型を作成する文書処理スキルです。PPTXはPDFに変換して処理でき、テキストの少ないPDFではOCRにフォールバックします。

主な機能

  1. 01PDFのページテキストと表を抽出
  2. 02DOCXの段落と表を抽出
  3. 03PPTXをPDFに変換してから抽出
  4. 04安定したIDでテキストを分割
  5. 05根拠インデックスとレポートひな型を生成

活用シーン

  1. 01根拠に基づく分析用のレポートを準備
  2. 02オフィス文書からテキストや表を抽出
  3. 03チャンク参照を使って長文書を確認

インストール

コマンドをコピーしてターミナルで実行します。

$npx skills add https://github.com/20041002liu-cloud/pdf-word-reader-zh --skill pdf-word-reader-zh

インストール後、Claude Code で/pdf-word-reader-zhを入力して読み込まれたか確認します。

同梱ファイル

SKILL.md と一緒にインストールされる参考資料やスクリプト。

README.md
requirements.txt
agents/
openai.yaml
scripts/
extract_docx.py
extract_pdf.py
prepare_document_context.py

詳細

PDF Word Reader ZH

目的

ドキュメントのパスから、次の3つの分析用成果物を作成します。

  • 構造化された抽出結果
  • チャンク化された根拠インデックス
  • 理解レポートのひな形

短い要約だけでなく、追跡可能な根拠が必要な場合にこのスキルを使用します。

入力形式

  • .pdf
  • .docx
  • .pptx（最初にPDFに変換）

.docの場合は、このスキルを使用する前に.docxに変換してください。

1コマンドでの実行

python scripts/prepare_document_context.py "<input-file>" --output-dir "output/document-understanding"

判断フロー

  1. 拡張子から入力形式を判定します。
  2. .pptxの場合はPDFに変換します。
  • 利用できる場合は、sofficeを優先します。
  • それが利用できない場合は、WindowsではMicrosoft PowerPoint COMにフォールバックします。
  1. 内容を抽出します。
  • PDF：ページのテキストと表を抽出します。テキストが少ないページではOCRにフォールバックします。
  • DOCX：段落と表を抽出します。
  1. 長いテキストを正規化してチャンク化し、安定したチャンクID（C001、C002、...）を割り当てます。
  2. 根拠インデックスを含む理解用のひな形を生成します。

出力仕様

出力ディレクトリに次のファイルを書き込みます。

  • 01_extracted.json
  • 02_chunks.json
  • 03_understanding_report.md
01_extracted.json

次の項目を含める必要があります。

  • source_file
  • file_type
  • full_text
  • 構造フィールド（pagesまたはparagraphs/tables）
  • 利用可能な場合は、警告と実行時メタデータ
02_chunks.json

次の項目を含める必要があります。

  • chunk_count
  • 次のフィールドを持つchunks[]：
  • chunk_id
  • char_count
  • estimated_tokens
  • text
03_understanding_report.md

次の項目を含める必要があります。

  • ドキュメントの概要
  • 重要な行
  • チャンクの根拠インデックス
  • 最終分析用の成果物テンプレート

推奨パラメーター

  • --disable-ocr：OCRへのフォールバックを無効にします
  • --max-pages N：最初のNページで簡易確認します
  • --fail-on-empty：テキストが抽出されなかった場合に停止します

エラー処理ルール

変換または抽出に失敗した場合：

  1. 具体的な原因を示します（依存関係の不足、未対応の形式、変換エラー）。
  2. 次に行う操作を正確に示します（インストールコマンドまたは形式変換の手順）。
  3. 抽出した内容を捏造しないでください。

抽出されたテキストの品質が低い場合：

  1. 警告を出力メタデータに残します。
  2. 利用可能なテキストでチャンク化を続けます。
  3. レポートで不確実性を明示します。

依存関係の基本構成

Pythonの依存関係をインストールします。

python -m pip install -r requirements.txt

推奨システムツール：

  • tesseract + chi_sim
  • pdftoppm（Poppler）
  • soffice（LibreOffice）、またはMicrosoft PowerPoint（Windows）

最終分析のルール

出力された成果物から最終的な結論を作成する場合：

  1. 結論を書く前に、すべてのチャンクを読みます。
  2. 重要な主張にはチャンクIDを引用します（例：[C003][C011]）。
  3. 事実と仮定を分けます。
  4. 不足している根拠と未解決の疑問を列挙します。
  5. 数値に関する主張は、抽出されたテキストと完全に一致させます。

最小限の実行例

PDF：

python scripts/prepare_document_context.py "./report.pdf" --output-dir "./out"

DOCX：

python scripts/prepare_document_context.py "./report.docx" --output-dir "./out"

PPTX：

python scripts/prepare_document_context.py "./slides.pptx" --output-dir "./out"

コメント

Markdown 対応