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

• スクリプトでテキスト抽出

• 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

• ユーザーが PDF ファイルパスを指定

• Windows パスを WSL パス形式に変換 (C:
  → /mnt/c/ )

• wsl python3 scripts/read_pdf.py を実行

• 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

• Glob で .pdf ファイルを検索

• 各ファイルに対してスクリプトを実行

• 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:

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