機密性を守りながらPDFからMarkdownを抽出する意義
PDFは画面表示や印刷の幾何学的な位置を保持するために設計されたフォーマットであり、論理的な文書構造(見出し階層や段落)の保持は重視されていません。そのため、PDFからのテキスト抽出は文章の途切れや不自然な改行が発生しやすく、難易度が高い作業です。さらに一般的な変換サービスはファイルを外部サーバーに送信するため、機密契約書や個人情報の漏洩リスクが懸念されます。
当サイトのPDFからMarkdown変換ツールは、MozillaのPDF.jsライブラリを利用し、お使いのブラウザ内サンドボックスでのみ解析を実行します。文字の位置情報やフォントサイズを独自のヒューリスティクスで分析し、単一ページの文書から長大なマルチページファイルまで、機密情報を一切送信することなく綺麗なMarkdownへと復元します。