PDFの表をMarkdownの表に変換する

PDFの表が崩れる理由：PDFはセルではなく、位置の決まったテキストを保存する

PDFの表をMarkdownに変換する前に、ファイルに実際に何が入っているかを知っておくと役立ちます。スプレッドシートは「12ドル」が3行目・2列目にあることを知っていますが、PDFはたいてい知りません。ページにはx座標とy座標に置かれたテキスト片と、罫線があればそれとは別の線の描画が入っています。PDFの規格 ISO 32000-2 に書かれている通りです。タグ付きのPDFは表の構造を持てますが、書き出されたレポートや請求書のほとんどは、タグがないか、変換ツールが頼れないタグしかありません。

だから、PDFの表をMarkdownに変換しようとするツールはどれも、探偵のような仕事をします。単語とその位置を読み（私たちは pdf.js を使います）、線を探し、列と行がどこにあるかを決めます。セルが結合されていたり、不規則に折り返していたり、表が横向きに回転していたりすると、推測は難しくなります。

Markdownの表で表せるもの（GFMのパイプテーブル）

中心となるMarkdownには表がありません。一般的な記法は GitHub Flavored Markdown のものです。GFMのパイプテーブルは、ヘッダー行、ハイフンの区切り行、任意の数のデータ行でできています。区切り行のコロンで、左寄せ・右寄せ・中央を決めます。セル内の縦棒は \| とエスケープします。

| Plan     | Price | Seats     |
| :------- | ----: | :-------- |
| Free     |    $0 | 1         |
| Team     |   $12 | 10        |
| Business |   $49 | Unlimited |

この規則が、どんな変換にも上限を決めています。セルにはインラインのテキスト、リンク、コードは入りますが、リスト、2つ目の段落、入れ子の表は入りません。結合セル、2つ目のヘッダー行、キャプションの記法もありません。ヘッダー行1つとシンプルな格子を超えるものは、すべて単純にする必要があります。

罫線あり、罫線なし、結合セル：何が起きるか

表に罫線があるかどうかで、ツールがセルを見つける方法が変わります。私たちのツールは2つの方法を試します。

• 罫線のある表 にはセルの間に描かれた線があります。線が格子を作るので、行と列は描画からそのままわかります。最も確実に変換できます。
• 罫線なしの表 には線がなく、テキストが列にそろっているだけです。変換ツールは、すき間が縦にそろった行が3行以上あるかを探し、リスト、2段組みの本文、たまたまそろった段落を誤認しないようにしています。
• 結合セル は2列以上にまたがります。テキストは最初のセルに入り、覆われたセルは空になります。Markdownはまたがりを表せないからです。

セル内で折り返すテキストも、よくあるつまずきです。テキストが3行あるセルも1つのセルですが、雑な変換ツールは3つの行にしてしまいます。私たちのツールは、上揃えのセルでも上下中央のセルでも、折り返した行を1つのセルにまとめ直します。

ステップごとに：ブラウザでPDFの表をMarkdownに変換

1. 変換ツールを開いてファイルをドロップします。何もアップロードされません。ページはファイルをローカルで読み、すぐに変換を始めます。
2. プレビューの下の要約を確認します。見つかった表の数が表示されるので、表が抜けていればすぐわかります。
3. Markdownの表を1つずつ元の文書と見比べます。まず列の数を数え、次に最初と最後の行を確認します。
4. Markdownをコピーするか .md ファイルをダウンロードし、残りはエディターで直します。

多くの人が3つ目のステップを飛ばします。ぱっと見では正しく見えても、1行だけ1列左にずれていることがあります。ページの残りの部分に使える確認方法は、書式を崩さずに変換する一般的なガイドを読んでください。

表を手で直す（そしてCSVという逃げ道）

変換のあとで私たちが最もよく行う修正は次の通りです。

• 結合セル。 Markdownにはまたがりがないので、覆われたセルすべてに値を繰り返すか、最初のセルに残して表の下にメモを加えます。
• ページをまたいで分かれた表。 余分なヘッダー行と区切り行を消せば、各部分がまた1つの表になります。下の私たちのテストでは、すべての行が分割を乗り越え、手が必要だったのはつなぎ目だけでした。
• ヘッダー行がない。 最初の行がすでにデータなら、ヘッダー行を自分で足します。ヘッダー行のないパイプテーブルは正しくありません。
• 列の数がそろっていない。 各行の縦棒を数えます。セルが少ない行はGFMのレンダラーが空のセルで埋め、多い行は切り捨てられます。

表がパイプテーブルには広すぎる、または不規則すぎるなら、CSVが賢い逃げ道です。行をスプレッドシートにコピーしてそこで整え、CSVをMarkdownファイルの隣に保管するか、単純にしたパイプテーブルを貼り戻します。変換は、すべてかゼロかである必要はありません。

私たちのテストセット：12種類の表のレイアウトと結果

上のレイアウトに、表にならないはずのファイル3つを加えた、reportlab と LibreOffice で作った12個のテスト用PDFを管理しています。変換ツールを変更するたびに、これで確認します。これは合成のテスト用ファイルで、実際のPDFのサンプルではありません。結果は成功率ではなく、各レイアウトで何が起きるかの地図として読んでください。

この記事のために、さらに2つのテストを行いました。1つ目は往復テストです。4つのMarkdownの表を私たち自身の書き出しツールでPDFにして戻したところ、4つとも認識され、エスケープした縦棒や右寄せの数字も含めて、17行中17行が元のテキストと一致しました。2つ目は、私たちの書き出しツールが4ページに分けた60行の表です。戻すと、ページごとに1つずつ、計4つの表になり、60行すべてがそろっていました。2〜4ページ目では最初の行がヘッダー行に格上げされていて、まさに上で説明したつなぎ目です。

レイアウトモデルが必要になるとき

テキスト層を読むツールは、PDFの表をすばやくプライベートにMarkdownに変換しますが、手に負えない表もあります。スキャンした表には、OCRで加えるまで読み取れるテキストがありません。入れ子のヘッダーやまたがるセルのある密度の高い学術的な表には、ページを画像として見るモデルが必要です。

• Docling は表の構造と読む順番への対応をうたっており、Pythonでローカルに動きます。
• marker は表を整形し、オプションのLLMモードを使えばページをまたぐ表をまとめられるとしています。商用で使う前に、モデルの重みのライセンスを確認してください。

どちらもセットアップが多く必要で、それでも確認の手順は欠かせません。週に数個の表なら、ブラウザでPDFの表をMarkdownに変換し、つなぎ目を手で直して、重いツールは本当に必要なファイルのために取っておきましょう。