PDF Extractor

PDF Extractor Skill

このスキルはPDFファイルから情報を抽出し、構造化データとして返します。

機能

• テキスト抽出: PDFの全テキストを抽出
• フォーム解析: PDFフォームのフィールドと値を抽出
• メタデータ取得: 作成者、作成日、ページ数などのメタ情報

使用方法

基本的な使い方

Input: "docs/report.pdf"
Output: 抽出されたテキストとメタデータをJSON形式で返却

実装アプローチ

1. Rubyを使用する場合:

   # Gemfile に追加
   gem 'pdf-reader'
   
   # 使用例
   require 'pdf-reader'
   reader = PDF::Reader.new('path/to/file.pdf')
   reader.pages.each { |page| puts page.text }
   

2. コマンドラインツールを使用する場合:

   # pdftotext (poppler-utils)
   pdftotext input.pdf output.txt
   
   # pdftk でフォームデータ抽出
   pdftk input.pdf dump_data_fields
   

出力形式

{
  "file": "docs/report.pdf",
  "pages": 10,
  "text": "抽出されたテキスト全文",
  "metadata": {
    "author": "作成者名",
    "created_at": "2024-01-01",
    "title": "ドキュメントタイトル"
  },
  "fields": [
    {
      "name": "field_name",
      "value": "field_value",
      "type": "text"
    }
  ]
}

使用例

例1: ドキュメントからテキスト抽出

User: Extract text from docs/requirements.pdf
Agent: [PDF extractorスキルを使用してテキストを抽出]

例2: フォームデータの解析

User: Parse form data from docs/application_form.pdf
Agent: [フォームフィールドと値を抽出してJSON形式で返却]

サンプルスクリプト

#!/usr/bin/env ruby
# scripts/extract_pdf.rb

require 'pdf-reader'
require 'json'

def extract_pdf(file_path)
  reader = PDF::Reader.new(file_path)

  data = {
    file: file_path,
    pages: reader.page_count,
    text: '',
    metadata: {
      title: reader.info[:Title],
      author: reader.info[:Author],
      created_at: reader.info[:CreationDate]
    }
  }

  reader.pages.each do |page|
    data[:text] += page.text + "\n"
  end

  puts JSON.pretty_generate(data)
end

if __FILE__ == $0
  extract_pdf(ARGV[0])
end

インストール要件

Ruby Gem

cd back
bundle add pdf-reader

システムツール（オプション）

# macOS
brew install poppler

# Ubuntu/Debian
apt-get install poppler-utils

注意事項

• meta: true: スキルの内部実装は隠蔽され、使用方法のみが公開されます
• 読み取り専用: PDFファイルの変更は行いません
• エンコーディング: 日本語PDFの場合、エンコーディングに注意が必要
• セキュリティ: アップロードされたPDFを処理する場合は、ファイルサイズとコンテンツの検証を行う