ファイルは端末から出ません。仕組み
PDFをMarkdownに変換する方法
- 1上の枠にPDFをドロップ（またはクリックして選択）。
- 2「Markdownに変換」をクリック。
- 3.mdファイルをダウンロード。
よくある質問
- 見出しやリストはどうやって検出されますか？
- PDFには構造情報が保存されていないため、HivePDFはレイアウトから推測します。本文より明らかに大きい文字は見出しとみなされ、箇条書きや番号で始まる行はリスト項目になります。それ以外は段落としてまとめられます。
- スキャンしたPDFでも使えますか？
- いいえ。スキャンは読み取れるテキストレイヤーを持たない画像にすぎません。まずOCRを実行してテキストレイヤーを追加してから、Markdownに変換してください。
- ファイルはアップロードされますか？
- されません。テキストの抽出と変換はすべてブラウザ内で行われ、あなたの文書が端末から出ることはありません。
PDFをきれいなMarkdownに
Markdownは、大規模言語モデル、静的サイトジェネレーター、メモアプリにドキュメントを取り込むための共通言語です。しかしPDFにはエクスポート可能な構造情報がありません。PDF to Markdownはテキストレイヤーを読み取り、ページレイアウトから見出し、箇条書きや番号付きリスト、段落を検出して、整理されたドキュメントとしてMarkdownに書き出します。
LLMやドキュメント作成ワークフロー向け
RAGパイプラインを構築している場合、ドキュメントを執筆している場合、あるいはチャットモデルにコンテンツを貼り付ける場合、生のPDFテキストよりMarkdownの方がはるかに扱いやすくなります。出力結果は見出しレベルとリストを保持するため構造が維持され、モデルがコンテンツをチャンク分割したり理解したりするのに役立ちます。
注意点と制限
構造はヒューリスティック(発見的手法)によって推測されるため、複雑な多段組みレイアウトや表は完全には再現されないことがあります。重要な内容については結果を確認してください。スキャンされたPDFは先にOCRが必要です。すべての処理はローカルで行われるため、ファイルはアップロードされません。
レイアウトがどのように構造として読み取られるか
内部的には、HivePDFはPDF内のテキストランをたどり、それぞれのフォントサイズ、太さ、ページ上の位置を記録します。周囲の本文テキストより明らかに大きいテキストランや、単独の行で太字になっているテキストランは見出しとして扱われ、ドキュメント全体との相対的なサイズによって、出力ではH1、H2、H3のいずれになるかが決まります。ダッシュ、箇条書き記号、またはピリオドが続く数字で始まる行はリスト項目になり、同じインデントの連続する行は分割されずに1つのリストとしてまとめられます。
変換が苦手とする部分
表は最大の弱点です。PDFは表を行と列としてではなく、位置指定されたテキストとして保存するため、セルが1つの行や段落に折りたたまれてMarkdownの表にならないことがよくあります。新聞や学術論文のような多段組みレイアウトでは、PDF内の読み取り順序が特殊な場合、両方の段のテキストが混ざり合ってしまうことがあります。脚注やページのヘッダー・フッターが本文に紛れ込むこともあります。出力結果は完璧な変換結果としてではなく、優れたたたき台として捉え、問題のある箇所は手作業で修正してください。
よくある次のステップ
多くの方は、スキャンされたドキュメントにOCRをかけた後にこのツールを使用します。また、元のPDFに図表とテキストが混在していて分けて保持したい場合はExtract Images(画像の抽出)と併用されることもあります。