PythonでPDFをMarkdownに変換

レイアウトを考慮して高速に動き、出力に見出しと罫線のある表が残ります。PyMuPDFはAGPLなので、クローズドな製品に組み込む前に条件を確認してください。

# pip install pymupdf4llm
import pathlib
import pymupdf4llm

md = pymupdf4llm.to_markdown("report.pdf")
pathlib.Path("report.md").write_text(md, encoding="utf-8")

罫線のある表に最適です。初期設定では線が描かれた表だけを見つけ、罫線なしの表には独自の設定が必要です。ヘルパー関数がそれぞれの表をパイプテーブルとして書き出します。

# pip install pdfplumber
import pdfplumber

def table_to_md(rows):
    rows = [[(c or "").replace("|", "\\|").strip() for c in r] for r in rows]
    head, body = rows[0], rows[1:]
    lines = ["| " + " | ".join(head) + " |", "|" + " --- |" * len(head)]
    lines += ["| " + " | ".join(r) + " |" for r in body]
    return "\n".join(lines)

with pdfplumber.open("invoice.pdf") as pdf:
    for page in pdf.pages:
        for table in page.extract_tables():
            print(table_to_md(table), end="\n\n")

1つのループで pdfs フォルダー内の全ファイルを読み、入力ごとに .md ファイルを1つ書き出します。

# pip install pymupdf4llm
import pathlib
import pymupdf4llm

out = pathlib.Path("markdown")
out.mkdir(exist_ok=True)
for pdf in sorted(pathlib.Path("pdfs").glob("*.pdf")):
    md = pymupdf4llm.to_markdown(str(pdf))
    (out / f"{pdf.stem}.md").write_text(md, encoding="utf-8")
    print("wrote", out / f"{pdf.stem}.md")