pdf2md-ts

罫線あり表PDFを Markdown テーブルへ変換する TypeScript ライブラリ。

ラスタライズを一切行わず、PDF のベクトル罫線（constructPath + eoFill）とテキストボックス起点のレイキャストを組み合わせたハイブリッドアプローチで高精度な表抽出を実現します。

要件

• Node.js >= 20
• pnpm

セットアップ

git clone <repo>
cd pdf2md-ts
pnpm install
pnpm build

CLI

基本

pnpm cli -- <input.pdf>

標準出力に Markdown を書き出します。

オプション

| オプション | 説明 | | --- | --- | | --out <path> | 出力先ファイルパス（省略時は stdout） | | --page <n> | 抽出するページ番号（省略時は全ページ） | | --debug-json <path> | 中間テーブル構造を JSON で保存（デバッグ用） |

使用例

ファイルへ保存する

pnpm cli -- pdf/document.pdf --out md/document.md

特定ページだけ抽出する

pnpm cli -- pdf/document.pdf --page 3 --out md/document_p3.md

中間 JSON を一緒に出力してデバッグする

pnpm cli -- pdf/document.pdf --out md/document.md --debug-json md/document.debug.json

複数 PDF を一括変換する（bash）

for f in pdf/*.pdf; do
  base=$(basename "$f" .pdf)
  pnpm cli -- "$f" --out "md/${base}.md"
done

終了コード

| コード | 意味 | | --- | --- | | 0 | 正常終了 | | 1 | 入力ファイルが見つからない、または解析エラー |

API

import { extractTablesFromPdf } from "./src/index.js";

const result = await extractTablesFromPdf("pdf/document.pdf", {
  pages: [1, 2],   // 省略時は全ページ
  debug: true      // true にすると warnings が詳細になる
});

console.log(result.markdown);   // Markdown 文字列
console.log(result.tables);     // ページ単位の TableGrid[]
console.log(result.warnings);   // 警告メッセージ

ExtractOptions

type ExtractOptions = {
  pages?: number[];   // 対象ページ番号（1-indexed）
  debug?: boolean;    // デバッグモード
};

ExtractResult

type ExtractResult = {
  tables: TableGrid[];   // ページごとのテーブル構造
  markdown: string;      // 全ページ分の Markdown
  warnings: string[];    // 警告（フォールバック発生時など）
};

開発コマンド

pnpm build        # TypeScript をコンパイル
pnpm test         # Vitest でテスト実行
pnpm test:watch   # ウォッチモード
pnpm lint         # oxlint で静的解析

制約・既知の制限

• 罫線あり表のみ対応。罫線なし表やスキャン画像 PDF は非対象。
• セル結合（colspan / rowspan）は MVP では「左上セルに値を保持・他セルは空欄」で表現。
• PDF の表がページをまたぐ場合、ページ単位で独立した Markdown テーブルとして出力。

技術スタック

| ライブラリ | 役割 | | --- | --- | | pdfjs-dist | PDF 演算子列・テキスト抽出 | | rbush | 空間インデックス（R-Tree） | | typescript | 型安全な実装 | | @typescript/native-preview | 開発実行基盤 | | vite / vitest | ビルド・テスト基盤 | | oxlint | 静的解析 |