PDFをMarkdownに変換

言語モデルや検索インデックス、ノートアプリにPDFを渡すには、まず文字を取り出す必要があります。九十ページの契約書を会話欄に貼り付けるわけにはいきませんし、ビューアで一枚ずつ写していけば、どの一節が何ページから来たのかはすぐに分からなくなります。ページマーカー付きのマークダウンは、文章を使える形に保ったまま、ページ番号を一緒に残します。

この道具はPDFがすでに抱えているテキストレイヤーを読み、断片を位置にしたがって行にまとめ、ページごとに番号を書いた注記と区切り線を添えて独立した塊として書き出します。構造はレイアウトから推定します。本文より明らかに大きい文字の行は見出しに、記号や番号で始まる行は箇条書きにし、折り返された行は一つの段落につなぎますが、太字と表は検出しません。二段組みは入り混じることがあり、スキャンしたPDFは文字が画像なので何も出ません。その場合は先に文字認識を通してください。

変換はブラウザの中で行われます。ファイルは手元の端末のメモリに読み込まれるだけでどこにも送られません。契約書や診療記録のように他人のサーバーへ貼り付けられない文書では、まさにそこが要点になります。どのページにも番号がコメントとして残るので、うまく変換できなかった箇所を後から探して直すのも簡単です。素の本文ではなく本物の表と見出しが要るならAI変換が組み直しますが、そちらはページをGoogleへ送るので取引の中身が違います。