PDFをうまく変換するためのガイド

PDFの変換自体は簡単です。頼れる結果を得るには、この形式が何を記録し何を記録しないのか、どの変換器がどこで推測せざるを得ないのか、そして出力を信用する前に何を確かめるべきかを知る必要があります。ここでは最もよく出る疑問を扱います。そしてどのガイドも「だから当社の変換器を使いましょう」では終わりません。

4本に共通する一つの考え

PDFには見出しも段落もリストも表も入っていません。座標に置かれた字形だけです。そのレイアウトを生んだ構造は座標の計算に使われたあと破棄されました。つまりPDFをMarkdownに変換することは抽出ではなく推論です。幾何情報を読み返し、どんな構造ならそれを生んだかを導くことです。

どの変換器もこれを行い、本ツールも例外ではありません。そして推論以上のことはできません。答えが本当にファイルの中にないからです。それが分かれば、エラーは恣意的に見えなくなります。段落として出てきた見出しは、大きさではなく太さで表されていた。つぶれた表にはセル結合があった。意味の通らないページは二段組みだった。どの失敗も規則に遡れますし、知っている規則は回避できる規則です。

そのためのガイドです。1本目は推論とその失敗の形を全面的に説明します。2本目は受け取るファイルと、保存前に済ませる価値のある少数の編集について。3本目と4本目は、同じMarkdownにかなり異なる要求を突きつける2つの行き先 — ノート保管庫と検索パイプライン — を扱います。