PDFをMarkdownに変換

PDFをMarkdownに変換する理由

Markdownは、いくつかの記号を加えただけのプレーンテキストです。見出しには#、箇条書きには-、表には縦線|を使います。専用ソフトなしで読め、どんなエディターでも編集でき、GitHub、Notion、Obsidian、社内wikiできれいに表示されます。また、AIアシスタントが最も理解しやすい形式でもあります。ChatGPTやClaudeにレポートを貼り付けるとき、見出しの階層や表があると、要約、比較、具体的な質問への回答がしやすくなります。PDFビューアーから単純にコピー＆ペーストすると、段組みが混ざったり、行ごとに文が途切れたり、ページのヘッダーが繰り返されたりしがちですが、Markdownに変換すればこうした問題を避けられます。

構造を再構成するしくみ

PDFには見出しや段落という情報はなく、決まった座標に置かれた文字の断片があるだけです。このツールは本文のフォントサイズを見つけ、それより大きいサイズを順位づけします。最も大きいものが見出しレベル1、次がレベル2、という具合です。段と段の間の空白から段組みを検出し、同じ段落の行をつなげ、行末のハイフネーションを取り除きます。複数のセルにそろった行は表に、行頭記号や番号はリストになります。レポート名や「12ページ中3ページ」のように、ほとんどのページの上下に繰り返される文字は除外します。

トークン、制限、スキャンPDF

AIはテキストの長さをトークン（単語の断片）で数えます。カウンターは約4文字で1トークンという目安で計算するので、文書が1回の会話に収まるか、一部のページだけ送ったほうがいいかを判断するのに便利です。日本語の場合、実際のトークン数はこれより多くなる傾向があります。画像は変換されませんが、その位置を示すことはできます。パンフレットや結合セルのある表など、デザイン性の高いレイアウトは見直しが必要な場合があります。スキャンPDFにはページの画像しか入っていないため、ツールがお知らせし、先にOCRで読めるようにすることをおすすめします。ファイルはブラウザ内で処理され、送信されることはありません。