1
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

Claude Code で日本語のスキャン PDF を Markdown にする:SKILL.md に日本語 OCR の指定があるスキルは9本中2本

1
Posted at

要点:日本語のスキャン PDF を Claude Code で Markdown にするとき、SKILL.md に日本語の言語コードが書いてあるのは MinerU 版 pdf-converter(--language japan)と smart-ocr(lang='japan')の2本だけでした。Anthropic の pdf スキルは Tesseract を言語指定なしで呼ぶので、そのままだと英語モデルで読みます。縦書きに触れたスキルは1本もありません。

私たちは Claude Code スキルのディレクトリ Skillselion を運営しています。Claude Code、Codex、Cursor 向けの拡張を実際のインストール数で並べている独立したサイトで、Anthropic とは関係ありません。カタログは skills.sh、GitHub、MCP レジストリから毎日更新しています。

先日、文書を Markdown に変換するスキルの英語ガイドを公開しました。英語版は表や数式の扱いが中心で、日本語の文書には触れていません。紙の契約書、古い社内資料、縦書きの書籍のように、スキャンした日本語の PDF をどう読ませるかは別に調べる必要がありました。そこで、ガイドに載せたスキルのうち、ファイルを扱う9本の SKILL.md を2026年11月10日に upstream から取り直し、日本語と OCR に関する記述だけを拾いました。

日本語のスキャン PDF に使えるスキルはどれですか?

9本を、日本語を指定できるか、OCR を誰がやるかで分けるとこうなります。インストール数は2026年11月10日時点の Skillselion 掲載ページの値(skills.sh レジストリの累計)です。

スキル SKILL.md の日本語指定 スキャンの OCR インストール数
MinerU 版 pdf-converter --language japan MinerU の API(mineru.net) 9,685
smart-ocr PaddleOCR(lang='japan') 手元の PaddleOCR 8,795
Anthropic pdf なし 手元の Tesseract(言語指定なし) 225,608
anydoc なし しない。--ocr hosted で Firecrawl Parse へ 13,347
firecrawl-parse なし OCR の記載なし(ホスト型) 51,487
davila7 版 markitdown なし 「OCR 対応」と記載 2,527
K-Dense 版 markitdown なし 手元ではしない。ビジョン LLM か Azure 2,248
office-to-md なし 画像はビジョンモデル 5,853
Anthropic docx なし 対象外(Word 用) 215,124

日本語を明示できるのは上の2本です。以下、その2本と、一番インストールされている pdf スキルを日本語向けに直す方法を順に見ます。

MinerU の pdf-converter で日本語を指定するには?

--language japan を付けます。MinerU 版 pdf-converter スキルの掲載ページにあるスキルで、ソースは tanis90/pdf-converter-mineru です。SKILL.md の言語の節はこう始まります。

Default is ch (Chinese + English). Use --language to specify others.

既定値は中国語と英語の ch で、表の中に Japanese の行として japan があります。指定を忘れると、日本語の文書も既定の ch で処理されます。トラブルシューティングにも、出力の言語がおかしいときは --language を明示するよう書かれています。

スキャンの扱いには注意が要ります。SKILL.md の使い分け表では、スキャン文書は extract に --ocr を付けるモードで、こちらは mineru-open-api auth によるトークンが必要です。トークン不要の flash-extract は1文書10 MB・20ページまでで、表や数式がプレースホルダーになることがあると書かれています。CLI 本体(opendatalab/MinerU-Ecosystem の現行ソース)を見ると flash-extract にも --ocr フラグがあるので、20ページ以内の書類ならトークンなしで試す余地はあります(公開中の npm 版にこのフラグが入っているかは未確認です)。

mineru-open-api auth
mineru-open-api extract keiyakusho.pdf -o ./out/ --ocr --language japan

もう1点、SKILL.md のデータフローの節にはこうあります。

Both commands send the document to MinerU's API (mineru.net) for processing.

どちらのモードでもファイルは mineru.net に送られます。社外に出せない書類なら、次の2つのどちらかを使うことになります。

smart-ocr なら手元で日本語 OCR ができますか?

できますが、コードは PaddleOCR 2.x 向けのまま残っています。smart-ocr スキルの掲載ページで紹介しているスキルで、コードは claude-office-skills/skills の smart-ocr にあります。言語の例に ocr = PaddleOCR(lang='japan') # Japanese の行があり、PaddleOCR をローカルで動かします。

ただし SKILL.md の設定例には use_gpu=True や show_log=False が並び、参考リンクも PaddleOCR の release/2.7 のドキュメントです。PyPI の最新版は 3.7.0 で、3.x のソースは知らない引数を受け取ると ValueError: Unknown argument を投げます。ocr.ocr() も非推奨になり、predict() を使うよう警告が出ます。pip install paddleocr で今入る版に合わせるなら、3.x のドキュメントに沿ってこう書き直すのが安全です。

from paddleocr import PaddleOCR

ocr = PaddleOCR(lang="japan", use_textline_orientation=True)
for res in ocr.predict("page_001.png"):
    res.save_to_json("output")

なお、SKILL.md のフロントマターは description: ">" になっていて、languages の欄も en と zh だけです。中身の例は日本語に対応しているので、メタデータの書き損じと見てよさそうです。

Anthropic の pdf スキルで日本語を読ませるには?

pytesseract に lang='jpn' を渡すよう指示します。Anthropic 公式 pdf スキルの掲載ページにあるスキル(ソースは anthropics/skills の pdf)のスキャン PDF の例は、pytesseract.image_to_string(image) を引数なしで呼んでいます。Tesseract のマニュアルには -l について次の一文があります。

If none is specified, eng (English) is assumed.

つまりこのまま日本語の書類を渡すと、英語モデルで読まれます。日本語の学習データも別に入れる必要があります。Homebrew の tesseract フォーミュラは eng と osd しか含まず、他の言語は brew install tesseract-lang で入れるよう案内しています。Ubuntu なら tesseract-ocr-jpn パッケージです。

# brew install tesseract-lang  /  sudo apt install tesseract-ocr-jpn tesseract-ocr-jpn-vert
text += pytesseract.image_to_string(image, lang="jpn+eng")

+ で複数言語を並べられるので、英数字が混ざる書類は jpn+eng にしておくと扱いやすくなります。SKILL.md の例には lang がないので、CLAUDE.md に「OCR では lang に jpn を指定する」と一行書いておくと指定漏れを防げます。

縦書きの PDF に対応しているスキルはありますか?

SKILL.md で縦書きに触れているものは、9本の中にありません。手がかりがあるのは Tesseract 側だけで、公式の学習データ(tessdata、tessdata_best、tessdata_fast の3リポジトリ)にはどれも jpn_vert.traineddata があり、Ubuntu には tesseract-ocr-jpn-vert パッケージがあります。マニュアルのページ分割モードにも「5 = Assume a single uniform block of vertically aligned text.」という項目があります。縦書きの書籍や古い公文書なら、pdf スキルの OCR 部分を lang="jpn_vert" に差し替えて、何ページか試してから全体を流すのが現実的です。

テキストが選択できる日本語 PDF や Word でも OCR は必要ですか?

不要です。テキスト層のある PDF や Word なら、OCR を経由しない変換で足ります。anydoc の convert-documents-to-markdown スキル(ソースは firecrawl/anydoc)は npx -y @firecrawl/anydoc <file> -o out.md だけで動きます。OCR が必要なページがあると終了コード3で止まり、--ocr hosted で再実行すると Firecrawl Parse に送ります。

Firecrawl の firecrawl-parse スキル(ソースは firecrawl/cli の firecrawl-parse)は、1ファイル50 MB まで、PDF 1ページあたり約1クレジットのホスト型です。どちらの SKILL.md にも言語の指定はありません。Word なら Anthropic の docx スキル(ソースは anthropics/skills の docx)が、内容を読む手段として pandoc -t markdown file.docx を挙げています。

MarkItDown 系のスキルは日本語のスキャンに使えますか?

2本の SKILL.md で言っていることが違います。davila7 版 markitdown スキル(ソースは davila7/claude-code-templates)は「OCR for images and scanned documents」と書き、動かないときは tesseract を入れるよう案内しています。

一方、K-Dense 版 markitdown スキル(ソースは K-Dense-AI/scientific-agent-skills、2026年10月1日更新)はこう書いています。

MarkItDown's built-in PDF converter extracts existing text; it does not locally OCR scanned pages.

スキャンには markitdown-ocr プラグイン(OpenAI 互換のビジョン対応クライアントを使う)か Azure を使うように、という整理です。同じ MarkItDown を包む office-to-md スキル(ソースは claude-office-skills/skills の office-to-md)も、画像の行は「OCR with vision model」です。日本語をどこまで読めるかは、プラグインに渡すモデル次第です。

よくある質問

日本語のスキャン PDF に一番手軽なのはどれですか?

社外に出してよいファイルなら、MinerU 版 pdf-converter に --language japan を付けるのが一番手軽です。ただしスキャンの OCR はトークンが必要な extract --ocr 側です。

ファイルを外に出さずに日本語 OCR をするには?

smart-ocr(PaddleOCR の lang='japan')か、pdf スキルの Tesseract に jpn を指定する方法です。smart-ocr は PaddleOCR 3.x に合わせてコードを直してください。

縦書きはどうすればいいですか?

対応を書いたスキルはないので、Tesseract の jpn_vert を自分で指定します。

ほかの文書まわりのスキルは、ドキュメント・計画向けスキルのランキングにまとめています。


出典:Skillselion の文書 Markdown 変換スキルガイド(英語版)(2026年11月9日更新)。SKILL.md の引用は、2026年11月10日に各リポジトリの HEAD から取得した原文です。PaddleOCR と Tesseract の記述は、それぞれの公式リポジトリ(PaddleOCR v3.7.0、tesseract-ocr/tesseract の main)と Homebrew・Ubuntu のパッケージ情報によります。インストール数は同日の Skillselion 掲載ページ(skills.sh レジストリの累計)です。

1
1
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
1
1

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?