tomevault-io Scanner PDF Analysis Skill
概要
このSkillは、scannerエージェントがPDFドキュメントを分析し、構造化されたデータを抽出する際に使用します。テーブル抽出、セクション識別、要約生成などの機能を提供します。
主な機能
- テキスト抽出: PDFからテキストを抽出
- テーブル抽出: 表をCSV/JSON形式に変換
- セクション識別: 見出しと構造を認識
- 要約生成: 重要なポイントを抽出
- メタデータ取得: ページ数、作成日等
使用方法
スクリプト
python scripts/analyze-pdf.py <pdf-path> [options]
オプション:
--extract-tables: テーブルを抽出--summarize: 要約を生成--output=<path>: 出力ファイルパス
使用例:
# 基本的な分析
python scripts/analyze-pdf.py report.pdf
# テーブル抽出 + 要約
python scripts/analyze-pdf.py report.pdf --extract-tables --summarize
# 出力ファイル指定
python scripts/analyze-pdf.py report.pdf --output=analysis-result.md
出力形式
分析結果（Markdown）
# report.pdf 分析結果
## 概要
- ページ数: 25
- テーブル数: 3
- 作成日: 2023-12-01
## 重要ポイント
1. [ポイント1]
2. [ポイント2]
3. [ポイント3]
## 抽出テーブル
### テーブル1 (ページ 5)
| 列1 | 列2 | 列3 |
|-----|-----|-----|
| A | B | C |
### テーブル2 (ページ 12)
[...]
## セクション構造
1. はじめに (p.1)
2. 背景 (p.3)
3. 方法 (p.7)
4. 結果 (p.15)
5. 結論 (p.23)
## 全文テキスト
[抽出されたテキスト...]
スクリプト詳細
analyze-pdf.py
PDFを解析し、構造化されたデータを抽出します。
必要なライブラリ:
pip install PyPDF2 tabula-py pdfplumber
機能:
- PyPDF2: テキスト抽出、メタデータ取得
- tabula-py: テーブル抽出（Java必要）
- pdfplumber: 高精度なレイアウト解析
コード概要:
import PyPDF2
import tabula
import pdfplumber
def analyze_pdf(pdf_path):
# メタデータ取得
with open(pdf_path, 'rb') as f:
reader = PyPDF2.PdfReader(f)
page_count = len(reader.pages)
# テキスト抽出
text = ''.join([page.extract_text() for page in reader.pages])
# テーブル抽出
tables = tabula.read_pdf(pdf_path, pages='all')
# pdfplumberでレイアウト解析
with pdfplumber.open(pdf_path) as pdf:
# セクション識別（フォントサイズで判定）
sections = extract_sections(pdf)
return {
'page_count': page_count,
'text': text,
'tables': tables,
'sections': sections
}
実装例
例1: 技術仕様書の分析
# 技術仕様書から要件を抽出
result = analyze_pdf('spec.pdf', extract_tables=True)
# テーブル（要件一覧）をCSVに保存
for i, table in enumerate(result['tables']):
table.to_csv(f'requirements_{i}.csv', index=False)
# 要約をMarkdownに保存
with open('spec-summary.md', 'w') as f:
f.write(f"# 仕様書要約\n\n")
f.write(f"ページ数: {result['page_count']}\n\n")
f.write(f"## 抽出要件\n\n")
for i, table in enumerate(result['tables']):
f.write(f"### 要件テーブル {i+1}\n\n")
f.write(table.to_markdown())
f.write("\n\n")
例2: 論文の要約
# 論文PDFを読み込み
result = analyze_pdf('research-paper.pdf', summarize=True)
# 重要なセクションを抽出
sections_of_interest = ['Abstract', 'Introduction', 'Conclusion']
summary = []
for section in result['sections']:
if section['title'] in sections_of_interest:
summary.append(f"## {section['title']}\n{section['text']}\n")
# 要約を保存
with open('paper-summary.md', 'w') as f:
f.write('\n'.join(summary))
例3: 請求書からデータ抽出
# 請求書PDFからテーブル抽出
result = analyze_pdf('invoice.pdf', extract_tables=True)
# 最初のテーブル（請求明細）を取得
invoice_items = result['tables'][0]
# CSVに変換
invoice_items.to_csv('invoice-items.csv', index=False)
# 合計金額を計算
total = invoice_items['金額'].sum()
print(f"合計金額: {total}円")
ベストプラクティス
DO（推奨）
✅ 高品質なPDF: テキストベースのPDFが最適 ✅ ページ範囲指定: 必要なページのみ処理 ✅ テーブル抽出の検証: 手動で確認 ✅ OCR使用: 画像ベースPDFにはOCRが必要
DON'T（非推奨）
❌ スキャンPDFに直接適用: OCR前処理が必要 ❌ 複雑なレイアウト: カラム、図表が多いと精度低下 ❌ 暗号化PDF: パスワード解除が必要 ❌ 大量ページの一括処理: メモリ不足の可能性
トラブルシューティング
Q: テキストが抽出できない
A: 画像ベースPDFの可能性があります。OCR（Tesseract）を使用してください:
pip install pytesseract
# OCRでテキスト抽出
python scripts/analyze-pdf.py --ocr document.pdf
Q: テーブルが正しく抽出されない
A: 複数の方法を試してください:
- tabula-py（Java必要）
- pdfplumber（Python純正）
- camelot-py（高精度）
Q: 日本語が文字化けする
A: エンコーディングを指定:
text = extract_text(pdf_path, encoding='utf-8')
Progressive Disclosure
このSKILL.mdはメインドキュメント（約200行）です。詳細なスクリプトとテンプレートは scripts/, templates/ ディレクトリ内のファイルを参照してください。
関連Skill
- scanner-excel-extraction: Excelファイル解析
- data-analyst-export: 抽出データのエクスポート
関連リソース
- scripts/analyze-pdf.py: PDF解析スクリプト
- templates/pdf-summary-template.md: 分析結果テンプレート
Converted and distributed by TomeVault — claim your Tome and manage your conversions.