PDF & ドキュメント抽出

DOCX の場合: python-docx を使用してください(実際のドキュメント構造を解析し、OCR よりも優れています)。 PPTX の場合: powerpoint スキルを参照してください(python-pptx を使用し、スライド/ノート完全対応)。 このスキルは PDF とスキャン済みドキュメント に対応しています。

ステップ 1: リモート URL が利用可能か?

ドキュメントに URL がある場合、常に web_extract を最初に試してください:

web_extract(urls=["https://arxiv.org/pdf/2402.03300"])
web_extract(urls=["https://example.com/report.pdf"])

このコマンドは Firecrawl を使用して PDF からマークダウンへの変換を行い、ローカルの依存関係は不要です。

ローカル抽出を使用するケース: ファイルがローカルである、web_extract が失敗した、またはバッチ処理が必要な場合のみ。

ステップ 2: ローカルエクストラクターを選択

| 機能 | pymupdf (~25MB) | marker-pdf (~3-5GB) | |----

...