pdf-reader

PDF Reader

PDF ファイルをテキスト抽出して Markdown 形式に変換するスキルです。

クイックスタート

基本的な使い方

# WSL環境でPythonスクリプトを実行
wsl python3 scripts/read_pdf.py "/mnt/c/path/to/file.pdf"

Markdown形式で保存

1. スクリプトでテキスト抽出
2. Write ツールで .md ファイルに保存

前提条件

pdfplumber パッケージが必要です：

wsl pip3 install pdfplumber

使用例

例1: PDF ファイルを読み込んで内容を表示

User: "C:\Users\keita\repos\guideline.pdf を読み込んで"
Assistant:
1. Windowsパスを WSL パスに変換: /mnt/c/Users/keita/repos/guideline.pdf
2. wsl python3 scripts/read_pdf.py を実行
3. 抽出されたテキストを Markdown 形式で表示

例2: PDF を Markdown に変換して保存

User: "ガイドライン.pdf を Markdown に変換して保存"
Assistant:
1. scripts/read_pdf.py でテキスト抽出
2. Markdown形式で構造化（ページごとに見出し、テーブルも含む）
3. Write ツールで ガイドライン.md に保存
4. 保存完了を報告

ワークフロー

単一ファイルの読み込み

1. ユーザーが PDF ファイルパスを指定
2. Windows パスを WSL パス形式に変換 (C:\ → /mnt/c/)
3. wsl python3 scripts/read_pdf.py を実行
4. 抽出されたテキストを Markdown 形式で表示または保存

複数ファイルの一括処理

1. Glob で .pdf ファイルを検索
2. 各ファイルに対してスクリプトを実行
3. 結果をまとめて報告

出力形式

Markdown 構造

# [PDFファイル名]

**Total Pages:** 10

---

## Page 1

[ページ1のテキスト内容]

### Tables

**Table 1:**

| 列1 | 列2 | 列3 |
| --- | --- | --- |
| データ1 | データ2 | データ3 |

---

## Page 2

[ページ2のテキスト内容]

---

スクリプト詳細

Python スクリプトは scripts/read_pdf.py に配置されています。

主な機能:

• ページごとのテキスト抽出
• テーブルの Markdown 化
• 複数ページの構造化
• エラーハンドリング

使い方:

python scripts/read_pdf.py <file_path>

対応機能

• ✅ テキスト抽出（全ページ）
• ✅ テーブルの Markdown 化
• ✅ ページ番号の保持
• ✅ 構造化された出力
• ⚠️ 画像からのテキスト抽出（OCR未対応）
• ⚠️ 複雑なレイアウトは簡略化

制限事項

• スキャンされた PDF（画像のみ）からはテキスト抽出不可
• OCR 機能は含まれません
• 複雑なレイアウトは簡略化されます
• フォント情報、色などのスタイルは失われます
• 埋め込みオブジェクトは抽出されません

トラブルシューティング

pdfplumber がインストールされていない

wsl pip3 install pdfplumber

テキストが抽出されない

• PDF がスキャン画像の可能性があります（OCR が必要）
• PDF が暗号化されている可能性があります
• テキストレイヤーがない PDF かもしれません

文字化けする

# 日本語対応の確認
wsl locale
# UTF-8 が含まれていることを確認

メモリ不足エラー

大きな PDF ファイルの場合、ページごとに分割して処理することを検討してください。

パス変換

Windows パスから WSL パスへの変換：

• C:\Users\... → /mnt/c/Users/...
• D:\Projects\... → /mnt/d/Projects/...
• バックスラッシュ \ をスラッシュ / に変換

関連ツール

• PyPDF2: 軽量な代替ライブラリ
• pdfminer.six: より詳細な制御が必要な場合
• Camelot: テーブル抽出特化
• OCRmyPDF: スキャン PDF に OCR を適用

高度な使い方

特定のページのみ抽出

スクリプトを修正して pdf.pages[0:5] のようにスライスを使用できます。

テーブルのみ抽出

スクリプト内の extract_tables() 部分のみを使用します。

OCR が必要な場合

pytesseract と pdf2image を組み合わせて使用します（別スキルとして作成推奨）。

バージョン履歴

• v1.0.0 (2026-01-06): 初期リリース
  • 基本的なテキスト抽出機能
  • テーブル Markdown 化対応
  • WSL環境での動作
  • ページごとの構造化