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:**
| 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