Back to Details

pdf-reader

Compare original and translation side by side

🇺🇸

Original

English
🇨🇳

Translation

Chinese

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。
这是一款可以提取PDF文件文本并转换为Markdown格式的工具。

クイックスタート

快速开始

基本的な使い方

基本用法

bash
undefined
bash
undefined

WSL環境でPythonスクリプトを実行

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"
undefined
wsl python3 scripts/read_pdf.py "/mnt/c/path/to/file.pdf"
undefined

Markdown形式で保存

保存为Markdown格式

  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
  1. 使用脚本提取文本
  2. 使用Write工具保存为.md文件

前提条件

前提条件

pdfplumber パッケージが必要です：
bash
wsl pip3 install pdfplumber
需要安装pdfplumber包：
bash
wsl pip3 install pdfplumber

使用例

使用示例

例1: PDF ファイルを読み込んで内容を表示

示例1：读取PDF文件并显示内容

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
用户："读取C:\Users\keita\repos\guideline.pdf文件"
Assistant:
1. 将Windows路径转换为WSL路径: /mnt/c/Users/keita/repos/guideline.pdf
2. 执行wsl python3 scripts/read_pdf.py
3. 以Markdown格式显示提取的文本

例2: PDF を Markdown に変換して保存

示例2：将PDF转换为Markdown并保存

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
用户："将ガイドライン.pdf转换为Markdown并保存"
Assistant:
1. 使用scripts/read_pdf.py提取文本
2. 以Markdown格式结构化（按页面添加标题，包含表格）
3. 使用Write工具保存为ガイドライン.md
4. 报告保存完成

ワークフロー

工作流程

単一ファイルの読み込み

单文件读取

  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
  1. 用户指定PDF文件路径
  2. 将Windows路径转换为WSL路径格式（
    C:\
    → 
    /mnt/c/
    ）
  3. 执行
    wsl python3 scripts/read_pdf.py
  4. 以Markdown格式显示或保存提取的文本

複数ファイルの一括処理

多文件批量处理

  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
  1. 使用Glob搜索.pdf文件
  2. 对每个文件执行脚本
  3. 汇总结果并报告

出力形式

输出格式

Markdown 構造

Markdown结构

markdown
undefined
markdown
undefined

[PDFファイル名]

[PDFファイル名]

Total Pages: 10
Total Pages: 10

Page 1

Page 1

[ページ1のテキスト内容]
[ページ1のテキスト内容]

Tables

Tables

Table 1:
列1列2列3
データ1データ2データ3
Table 1:
列1列2列3
データ1データ2データ3

Page 2

Page 2

[ページ2のテキスト内容]
undefined
[ページ2のテキスト内容]
undefined

スクリプト詳細

脚本详情

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:
bash
python scripts/read_pdf.py <file_path>
Python脚本位于
scripts/read_pdf.py
。
主要功能:
  • 按页面提取文本
  • 将表格转换为Markdown格式
  • 多页内容结构化
  • 错误处理
用法:
bash
python scripts/read_pdf.py <file_path>

対応機能

支持功能

  • ✅ 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
  • ✅ 全页面文本提取
  • ✅ 表格转Markdown
  • ✅ 保留页码
  • ✅ 结构化输出
  • ⚠️ 图片文本提取（不支持OCR）
  • ⚠️ 复杂布局会被简化

制限事項

限制事项

  • 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
  • 无法从扫描版PDF（仅图片）中提取文本
  • 不包含OCR功能
  • 复杂布局会被简化
  • 字体信息、颜色等样式会丢失
  • 无法提取嵌入对象

トラブルシューティング

故障排除

pdfplumber がインストールされていない

未安装pdfplumber

bash
wsl pip3 install pdfplumber
bash
wsl pip3 install pdfplumber

テキストが抽出されない

无法提取文本

  • 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
  • 该PDF可能是扫描图片（需要OCR）
  • 该PDF可能已加密
  • 该PDF可能没有文本层

文字化けする

出现乱码

bash
undefined
bash
undefined

日本語対応の確認

确认日语支持

wsl locale
wsl locale

UTF-8 が含まれていることを確認

确认包含UTF-8

undefined
undefined

メモリ不足エラー

内存不足错误

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。
对于大体积PDF文件，建议考虑按页面拆分处理。

パス変換

路径转换

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
Windows路径转WSL路径：
  • C:\Users\...
    → 
    /mnt/c/Users/...
  • D:\Projects\...
    → 
    /mnt/d/Projects/...
  • 将反斜杠
    \
    转换为斜杠
    /

関連ツール

相关工具

  • 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
  • PyPDF2: 轻量替代库
  • pdfminer.six: 需要更精细控制时使用
  • Camelot: 专注于表格提取
  • OCRmyPDF: 为扫描版PDF添加OCR

高度な使い方

高级用法

特定のページのみ抽出

仅提取特定页面

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。
可修改脚本，使用
pdf.pages[0:5]
这样的切片方式。

テーブルのみ抽出

仅提取表格

スクリプト内の 
extract_tables()
部分のみを使用します。
仅使用脚本中的
extract_tables()
部分。

OCR が必要な場合

需要OCR时

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）。
建议结合pytesseract和pdf2image使用（推荐作为独立工具开发）。

バージョン履歴

版本历史

  • 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
  • v1.0.0 (2026-01-06): 初始版本
    • 基础文本提取功能
    • 支持表格转Markdown
    • 支持WSL环境运行
    • 按页面结构化输出