pdfvisionAI エージェントに人間のような PDF 視覚を

なぜ pdfvision か ​

多くの PDF 抽出ツールは、エージェントに 1 本の文字列だけを渡し、その結果を信頼することを前提にします。現実の PDF ではそれだけでは壊れます。2 段組みの論文、意味が図形に埋まったスライド、グラフや表を含むレポート、政府系フォーム、OCR の残骸を含むスキャン、互換字形や文字化けを含む多言語 PDF では、テキストだけでは根拠が足りません。

pdfvision は次のループを前提にしています。

1. PDF のネイティブ信号を抽出する。
2. その信号が信頼できるかを確認する。
3. 必要な根拠がある場所を特定する。
4. そのページや領域だけをレンダリングまたは OCR する。

これは人間が PDF を読む流れに近いものです。ページをざっと見て、視覚的なページと抽出テキストが食い違う場所に気づき、グラフやフォーム欄を拡大し、検証できる元の根拠を残します。

エージェントに渡せるもの ​

pdfvision は、エージェントが必要とする PDF 信号を CLI と TypeScript ライブラリの両方で提供します。

• Unicode 正規化済みのネイティブテキストと、必要に応じた raw text。
• 文字数、画像数、ベクター数、テキストカバレッジ、ネイティブテキスト状態などのページ別品質フィールド。
• レイアウトブロック、見出し、複数カラムの読み順、縦書き CJK、数値表ヒント、繰り返しヘッダー/フッター検出。
• Vision モデル向けのレンダリング PNG とターゲット領域クロップ。
• スキャンまたは画像主体ページ向けの OCR テキスト、信頼度、言語、単語 bbox。
• ネイティブテキスト、フォーム値、FreeText 注釈、OCR を横断した検索一致と bbox。
• 図、グラフ、表、フォーム、ダイアグラムの候補になる raster image box、vector box、visual region。
• 必要に応じたフォームフィールド、リンク、注釈、アウトライン、ページラベル、レイヤー、viewer 設定、構造ツリー、添付ファイルメタデータ。
• 文字化け、疑わしい OCR レイヤー、密なベクター図、平坦化された表、重なった文字、ページ外コンテンツ、隠しレイヤーリスク、読み順の乖離など、人間が気づく違和感に対応する警告。

クイックスタート ​

インストールせずに実行します。

npx pdfvision document.pdf

マルチモーダルモデル向けにページ画像をレンダリングします。

npx pdfvision document.pdf --render

URL から PDF を取得して JSON で抽出します。

npx pdfvision --remote https://raw.githubusercontent.com/mozilla/pdf.js-sample-files/master/tracemonkey.pdf --format json

根拠を検索し、一致領域だけをクロップします。

npx pdfvision report.pdf --search "revenue" --json
npx pdfvision report.pdf --pages 3 --render --render-region 120,180,360,140 --render-output ./crops --json

全ページをレンダリングせずに視覚構造を調べます。

npx pdfvision slides.pdf --layout --image-boxes --vector-boxes --visual-regions --json
npx pdfvision slides.pdf --render-visual-regions --render-output ./regions --json

ドキュメント ​

• はじめに で基本の流れを確認できます。
• ユースケース は PDF 種別ごとの実行パターンを整理しています。
• CLI オプション は用途別に主要フラグを整理しています。
• 構造化出力 はエージェントやツールが読むフィールドを説明します。
• レイアウトと警告 は README の短い説明から分離すべき視覚構造の詳細です。
• レンダリングと OCR は画像出力、領域クロップ、スキャン文書を扱います。
• 検索と領域ズーム はテキスト根拠を探し、一致領域だけをレンダリングする流れを説明します。