PDF Inspector で PDF を高精度に Markdown 変換

PDF Inspector は PDF を Markdown に変換する前に各ページを解析します。

適切な読み順、表、見出し、リスト、リンク、コードを保ち、必要なページだけに OCR を適用します。

変換を開始

1

変換するファイルをアップロード

Upload your file

Drag and drop or click to select

またはウェブサイトや公開ファイルのURLから

0/3-アップグレードして30ファイル対応

プライバシーとパフォーマンス: ファイル処理はブラウザ内で完結するため、ファイルはアップロードされません。処理速度は端末やブラウザ環境によって異なる場合があります。

PDF を検査して Markdown に変換する方法

PDF Inspector は文書解析と変換を組み合わせ、ページごとに適切な抽出方法を選びます。

端末から選択したファイルはローカルで処理され、ダウンロード前にプレビューできる Markdown が生成されます。

1

PDF を追加

端末から PDF を選択するか公開ファイルの URL を入力し、変換キューに追加します。

2

ページ構造を検査

PDF Inspector が文書タイプ、複雑なレイアウト、OCR が必要なページ、フォントエンコーディングの問題を特定します。

3

必要なページだけ OCR で変換

埋め込みテキストは直接変換し、自動 OCR を有効にした場合は、検出されたスキャンページまたは画像ページだけを OCR に送ります。

4

Markdown を確認してダウンロード

再構成された見出し、段落、リスト、表、リンク、コードブロックをプレビューし、結果を Markdown ファイルとしてダウンロードします。

Markdown 変換前に PDF の検査が必要な理由

PDF が示すのはコンテンツのページ上の位置であり、Markdown での読み方ではありません。

PDF Inspector は抽出方法を決める前に、見た目のページの背後にある情報を調べます。

1つのファイルに異なる種類のページが混在
デジタルレポートには、選択可能なテキスト、スキャンされた付録、画像のみの挿入ページ、混在ページが含まれることがあります。ファイル全体に同じ抽出方法を使うと、内容を見落としたり、不要な OCR に時間を費やしたりします。
見た目の順序と読み順は異なる
PDF のテキストは位置情報を持つ断片として保存されることがあります。フォントと座標の情報がなければ、2段組みの論文、サイドバー、キャプション、右から左に読む文章が誤った順序で結合される可能性があります。
表がデータとして保存されていない場合がある
多くの PDF では、行と列ではなく、線と個別に配置した文字で表が描かれています。財務表、脚注、複数ページに続く表を復元するには、レイアウトを考慮する必要があります。
Image 1

PDF Inspector の変換パイプライン

PDF Inspector は文書を一度だけ読み込み、解析と抽出で同じパース結果を共有するため、ページごとの判断と出力 Markdown の整合性が保たれます。

すべてのページを同じものとして扱わず、PDF 分類、文字の空間解析、構造復元、任意の OCR ルーティングを組み合わせます。

軽量なサンプリングでファイルを TextBased、Scanned、ImageBased、Mixed のいずれかに分類し、0.0～1.0 の信頼度とページごとの OCR 候補を記録します。検査は通常数十ミリ秒ですが、ファイルと端末の複雑さによって変動します。

フォント情報と X/Y 座標を使って段落を自然な順序に再構成し、新聞のような段組み、列ごとの順次読み、右から左に読むテキストにも対応します。

相対的なフォントサイズから H1～H4 の見出しを推定し、箇条書き、番号付き、文字付きリスト、等幅フォントのコード、太字と斜体、URL、ページ区切りを認識します。

PDF の描画命令から罫線付きの表を、文字の繰り返し配置から罫線のない表を復元し、財務レイアウト、付随する脚注、ページをまたぐ続きの表も処理します。

埋め込み ToUnicode CMap を介して Type0 および Identity-H フォントをデコードし、UTF-16BE、UTF-8、Latin-1 のテキストに対応します。文字マッピングが信頼できないページは検出されます。

PDF を Markdown に変換するなら PDF Inspector

PDF の状態を根拠に処理方法を決め、確認、編集、再利用しやすい Markdown を生成します。

文書全体への OCR を回避
デジタルページは高速なネイティブ抽出を使い、必要なページだけ OCR に回すことで、重複テキストや不要な画像認識を減らします。
ローカルファイルのプライバシーを保護
PDF Inspector は Web Worker 内で Rust パーサーを WebAssembly として実行します。端末から選択した PDF はアップロードやサーバーとの往復なしでブラウザー内処理されます。
複雑な読み順を維持
位置を考慮した抽出により、PDF 内部の保存順で文字断片を並べるのではなく、段組みや右から左に読む文章を有用な順序で Markdown に反映できます。
表の意味をより多く保持
描画と配置の両方を使う検出により、通常のテキスト抽出では行ごとに散らばる罫線付き・罫線なしの表を Markdown に変換しやすくします。
確認しやすい Markdown を作成
見出し、リスト、コードブロック、強調、リンク、表、ページ境界により、文書化や検索システムに取り込む前に原文と比較しやすくなります。
軽量な初期処理
PDF Inspector のコアパーサーは Rust で実装され、PDF 解析には lopdf を使用します。テキストベースのページに ML モデルは不要で、OCR を有効にして対象ページが振り分けられた場合だけ OCR モデルを読み込みます。

PDF Inspector と PDF・Markdown 変換のよくある質問

文書分類、構造化抽出、OCR、プライバシー、変換上の制限について回答します。