nano-pdf

目的

このスキルはPDF処理用のツールを提供します。テキスト抽出、マイニング、フォーム記入、操作、OCR統合を含み、ドキュメントワークフローを効率的に処理できます。

使用場面

スキャンされたドキュメントからのPDFデータ抽出、レポート内のテキスト分析、フォーム送信の自動化、ファイルのマージ・分割、または非テキストPDFへのOCR適用が必要なタスクで使用します。データパイプライン、ドキュメント自動化スクリプト、または非構造化データ用のOCRサービスとの統合時に活用できます。

主な機能

• テキスト抽出: PDFからプレーンテキストまたは構造化データを抽出します。パスワード付き暗号化ファイルに対応し、画像ベースのPDFにはTesseract統合を通じてOCRを使用します。
• テキストマイニング: 抽出されたテキストのキーワード、感情、パターンを分析します。例えば、ドキュメント内のフレーズの出現回数をカウントします。
• フォーム記入: インタラクティブなPDFフォームをJSONデータで自動入力します。フォームを静的PDFにフラット化することができます。
• 操作: PDFのマージ、分割、回転、透かし処理を実行します。最大500ページのドキュメントを効率的に処理できます。
• OCR統合: スキャンされたPDFを外部APIを使用して検索可能なテキストに変換します。Tesseractまたは同様のエンジンの設定が必要です。

使用パターン

クイックスクリプトにはCLI経由で、サーバーサイド統合にはAPI経由で呼び出します。バッチ処理の場合はシェルスクリプト内でコマンドをチェーンします。Webアプリの場合はループ内でAPI呼び出しを使用します。常に入力・出力パスを明示的に指定してください。パターン: 最初にテキストを抽出し、必要に応じてマイニングまたは操作を実行します。OCR負荷が高いタスクの場合は、PDF操作の前に画像を前処理してください。

一般的なコマンド・API

CLIコマンドは nano-pdf バイナリを使用します。APIエンドポイントは https://api.opencclaw.com/nano-pdf/ 下にあります。認証には $NANO_PDF_API_KEY 環境変数が必要です。

• テキスト抽出: nano-pdf extract --file input.pdf --output text.txt --ocr true (テキストが選択可能でない場合はOCRを追加します)。
• テキストマイニング: nano-pdf mine --input text.txt --keywords "AI,robot" --output results.json (キーワードの出現頻度を出力します)。
• フォーム記入: nano-pdf fill --template form.pdf --data '{"field1": "value"}' --output filled.pdf。
• PDF操作: nano-pdf merge --files file1.pdf file2.pdf --output combined.pdf。
• 抽出用APIエンドポイント: POST /extract、本文 {"file": "base64encoded_content", "ocr": true}、ヘッダー Authorization: Bearer $NANO_PDF_API_KEY。
• コードスニペット (Python):

  import requests
  response = requests.post('https://api.opencclaw.com/nano-pdf/extract', headers={'Authorization': f'Bearer {os.environ["NANO_PDF_API_KEY"]}'}, json={'file': 'base64data'})
  print(response.json()['text'])
  

• 設定形式: APIボディ用のJSON、例えば {"file": "path", "options": {"ocr_engine": "tesseract", "language": "en"}}。CLIはフラグベースの設定を使用します（例: --config config.json）。

統合に関する注釈

認証されたリクエストの場合は $NANO_PDF_API_KEY を設定して統合します。ローカル使用の場合は pip install nano-pdf でインストールし、モジュールとしてインポートします。他のツールと組み合わせます: CLIの出力をNLPライブラリにパイプしてマイニングを行うか、HTTP リクエスト経由でNode.jsで使用します。OCRの場合、環境パスにTesseractがインストール・設定されていることを確認します。サンドボックス環境で統合をテストし、APIレート制限を確認します（例: 100リクエスト/分）。

エラー処理

ファイルが見つからない (終了コード 404)、無効なAPIキー (401)、OCR失敗（例: Tesseractがインストールされていない）などの一般的なエラーをチェックします。コード内でtry-exceptを使用します:

try:
    result = nano_pdf.extract('input.pdf')
except FileNotFoundError:
    print("エラー: ファイルが存在しません。")
except Exception as e:
    print(f"APIエラー: {e} - $NANO_PDF_API_KEY を確認してください。")

CLIの場合は標準エラーの出力をパースします。一時的なエラー（例: ネットワークの問題）は指数バックオフで再試行します。常に入力を検証し、処理前にPDFが破損していないことを確認します。

例 1: PDFからテキストを抽出してマイニングする

スキャンされた請求書PDFからテキストを抽出し、製品名についてマイニングします:

1. 実行: nano-pdf extract --file invoice.pdf --output invoice_text.txt --ocr true
2. その後: nano-pdf mine --input invoice_text.txt --keywords "product" --output analysis.json これにより、キーワード出現のJSONが生成され、さらに処理できます。

例 2: フォームPDFを記入して操作する

求人応募フォームを記入し、職務経歴書とマージします:

1. JSONでデータを準備: {"name": "John Doe", "position": "Engineer"}
2. 実行: nano-pdf fill --template application.pdf --data application_data.json --output filled_app.pdf
3. マージ: nano-pdf merge --files filled_app.pdf cover_letter.pdf --output final_packet.pdf 出力は提出準備が完了した単一PDFです。

グラフ関係

• 関連するもの: 「ocr-tool」（OCR機能強化用）、「document-parser」（広範なファイル型対応）、「text-analyzer」（高度なマイニング統合）。
• クラスタ: 「community」クラスタ経由で「data-extraction」や「automation-utils」のようなスキルに接続。