AgentSkillsCN

pdf-reader

读取PDF文件并以Markdown格式提取文本内容。支持表格和多页文档。当您需要读取PDF文档时，请使用此工具。需安装pdfplumber包。

SKILL.md
--- frontmatter
name: pdf-reader
description: Reads PDF files and extracts text content in Markdown format. Handles tables and multi-page documents. Use when needing to read PDF documents. Requires pdfplumber package.

PDF Reader

PDF ファイルをテキスト抽出して Markdown 形式に変換するスキルです。

クイックスタート

基本的な使い方

bash
# WSL環境でPythonスクリプトを実行
wsl python3 scripts/read_pdf.py "/mnt/c/path/to/file.pdf"

Markdown形式で保存

  1. •スクリプトでテキスト抽出
  2. •Write ツールで .md ファイルに保存

前提条件

pdfplumber パッケージが必要です：

bash
wsl pip3 install pdfplumber

使用例

例1: PDF ファイルを読み込んで内容を表示

code
User: "C:\Users\keita\repos\guideline.pdf を読み込んで"
Assistant:
1. Windowsパスを WSL パスに変換: /mnt/c/Users/keita/repos/guideline.pdf
2. wsl python3 scripts/read_pdf.py を実行
3. 抽出されたテキストを Markdown 形式で表示

例2: PDF を Markdown に変換して保存

code
User: "ガイドライン.pdf を Markdown に変換して保存"
Assistant:
1. scripts/read_pdf.py でテキスト抽出
2. Markdown形式で構造化（ページごとに見出し、テーブルも含む）
3. Write ツールで ガイドライン.md に保存
4. 保存完了を報告

ワークフロー

単一ファイルの読み込み

  1. •ユーザーが PDF ファイルパスを指定
  2. •Windows パスを WSL パス形式に変換 (C:\ → /mnt/c/)
  3. •wsl python3 scripts/read_pdf.py を実行
  4. •抽出されたテキストを Markdown 形式で表示または保存

複数ファイルの一括処理

  1. •Glob で .pdf ファイルを検索
  2. •各ファイルに対してスクリプトを実行
  3. •結果をまとめて報告

出力形式

Markdown 構造

markdown
# [PDFファイル名]

**Total Pages:** 10

---

## Page 1

[ページ1のテキスト内容]

### Tables

**Table 1:**

| 列1 | 列2 | 列3 |
| --- | --- | --- |
| データ1 | データ2 | データ3 |

---

## Page 2

[ページ2のテキスト内容]

---

スクリプト詳細

Python スクリプトは scripts/read_pdf.py に配置されています。

主な機能:

  • •ページごとのテキスト抽出
  • •テーブルの Markdown 化
  • •複数ページの構造化
  • •エラーハンドリング

使い方:

bash
python scripts/read_pdf.py <file_path>

対応機能

  • •✅ テキスト抽出（全ページ）
  • •✅ テーブルの Markdown 化
  • •✅ ページ番号の保持
  • •✅ 構造化された出力
  • •⚠️ 画像からのテキスト抽出（OCR未対応）
  • •⚠️ 複雑なレイアウトは簡略化

制限事項

  • •スキャンされた PDF（画像のみ）からはテキスト抽出不可
  • •OCR 機能は含まれません
  • •複雑なレイアウトは簡略化されます
  • •フォント情報、色などのスタイルは失われます
  • •埋め込みオブジェクトは抽出されません

トラブルシューティング

pdfplumber がインストールされていない

bash
wsl pip3 install pdfplumber

テキストが抽出されない

  • •PDF がスキャン画像の可能性があります（OCR が必要）
  • •PDF が暗号化されている可能性があります
  • •テキストレイヤーがない PDF かもしれません

文字化けする

bash
# 日本語対応の確認
wsl locale
# UTF-8 が含まれていることを確認

メモリ不足エラー

大きな PDF ファイルの場合、ページごとに分割して処理することを検討してください。

パス変換

Windows パスから WSL パスへの変換：

  • •C:\Users\... → /mnt/c/Users/...
  • •D:\Projects\... → /mnt/d/Projects/...
  • •バックスラッシュ \ をスラッシュ / に変換

関連ツール

  • •PyPDF2: 軽量な代替ライブラリ
  • •pdfminer.six: より詳細な制御が必要な場合
  • •Camelot: テーブル抽出特化
  • •OCRmyPDF: スキャン PDF に OCR を適用

高度な使い方

特定のページのみ抽出

スクリプトを修正して pdf.pages[0:5] のようにスライスを使用できます。

テーブルのみ抽出

スクリプト内の extract_tables() 部分のみを使用します。

OCR が必要な場合

pytesseract と pdf2image を組み合わせて使用します（別スキルとして作成推奨）。

バージョン履歴

  • •v1.0.0 (2026-01-06): 初期リリース
    • •基本的なテキスト抽出機能
    • •テーブル Markdown 化対応
    • •WSL環境での動作
    • •ページごとの構造化