PDFを解析して画像も含めてAzure Blobにアップする

Posted at 2026-07-11

1. 基本設計

概要

Azure App Serviceを使用して、PDFドキュメントをアップロードし、解析してMarkdown形式に変換するアプリケーションを開発します。PDF内の図は画像として保存し、Markdownには画像のリンクを記載します。保存先はAzure Blob Storageを使用し、Markdownドキュメントはアプリの画面で表示します。

要件

PDFドキュメントのアップロード機能
PDFドキュメントの解析とMarkdown形式への変換
PDF内の図を画像として保存し、Markdownにリンクを記載
画像とMarkdownの保存先としてAzure Blob Storageを使用
Markdownドキュメントの表示機能
開発言語はPython
フレームワークとしてstreamlitを使用

2. システム構成図

3. システムフロー図

4. 必要なパッケージ、ツール

Streamlit: Webアプリケーションフレームワーク
azure-storage-blob: Azure Blob Storageとの連携
PyMuPDF: PDF解析ライブラリ
Pillow: 画像処理ライブラリ
markdown2: Markdown変換ライブラリ

5. 詳細設計

PDFアップロード機能

エンドポイント: /upload
メソッド: POST
処理内容: PDFファイルを受け取り、Azure Blob Storageに保存

pip install streamlit azure-storage-blob PyMuPDF Pillow markdown2

import streamlit as st
from azure.storage.blob import BlobServiceClient

# Azure Blob Storageの設定
blob_service_client = BlobServiceClient.from_connection_string("your_connection_string")
container_name = "pdf-container"

def upload_pdf(file):
    blob_client = blob_service_client.get_blob_client(container=container_name, blob=file.name)
    blob_client.upload_blob(file)
    st.success("PDF uploaded successfully!")

st.title("PDF Uploader")
uploaded_file = st.file_uploader("Choose a PDF file", type="pdf")
if uploaded_file is not None:
    upload_pdf(uploaded_file)

PDF解析とMarkdown変換機能

エンドポイント: 内部処理
処理内容:
1. Azure Blob StorageからPDFを取得
2. PyMuPDFを使用してPDFを解析
3. 画像を抽出し、PillowでJPEG形式に変換
4. 画像をAzure Blob Storageに保存
5. テキストをMarkdown形式に変換し、画像リンクを挿入
6. MarkdownファイルをAzure Blob Storageに保存

import fitz  # PyMuPDF
from PIL import Image
import io

def list_blobs(container_name):
    container_client = blob_service_client.get_container_client(container_name)
    blob_list = container_client.list_blobs()
    return [blob.name for blob in blob_list]

def parse_pdf(file_path):
    blob_client = blob_service_client.get_blob_client(container=container_name, blob=file_path)
    pdf_bytes = blob_client.download_blob().readall()
    doc = fitz.open(stream=pdf_bytes, filetype="pdf")
    markdown_text = ""
    for page_num in range(len(doc)):
        page = doc.load_page(page_num)
        text = page.get_text("text")
        markdown_text += text + "\n\n"
        images = page.get_images(full=True)
        for img_index, img in enumerate(images):
            xref = img[0]   # (4, 0, 326, 8, 8, 'DeviceRGB', '', 'Image1', 'DCTDecode', 0)
            smask = img[1]
            ext_type = img[8] # FlateDecode is png, DCTDecode is jpeg
            base_image = doc.extract_image(xref)
            image_bytes = base_image["image"]
            image = Image.open(io.BytesIO(image_bytes))
            image_path = f"image_{page_num}_{img_index}.jpeg"
            image.save(image_path)
            upload_image_to_blob(image_path)
            markdown_text += f"!Image\n\n"
    return markdown_text

def upload_image_to_blob(image_path):
    blob_client = blob_service_client.get_blob_client(container=container_name, blob=image_path)
    with open(image_path, "rb") as data:
        blob_client.upload_blob(data)

def convert_to_markdown(file_path):
    markdown_text = parse_pdf(file_path)
    markdown_file_path = file_path.replace(".pdf", ".md")
    with open(markdown_file_path, "w") as md_file:
        md_file.write(markdown_text)
    upload_markdown_to_blob(markdown_file_path)

def upload_markdown_to_blob(markdown_file_path):
    blob_client = blob_service_client.get_blob_client(container=container_name, blob=markdown_file_path)
    with open(markdown_file_path, "rb") as data:
        blob_client.upload_blob(data)

Markdown表示機能

エンドポイント: /display
メソッド: GET
処理内容: Azure Blob StorageからMarkdownファイルを取得し、画面に表示

def display_markdown(file_path):
    blob_client = blob_service_client.get_blob_client(container=container_name, blob=file_path)
    markdown_content = blob_client.download_blob().readall().decode("utf-8")
    st.markdown(markdown_content)

st.title("Markdown Viewer")
markdown_file = st.text_input("Enter the name of the markdown file to display")
if markdown_file:
    display_markdown(markdown_file)

Streamlitアプリケーション統合

このコードでは、以下の機能を実装しています：

PDFファイルのアップロード
Blob Storageに保存されているPDFファイルのリスト表示と選択
選択したPDFファイルのMarkdown形式への変換
Blob Storageに保存されているMarkdownファイルのリスト表示と選択
選択したMarkdownファイルの表示

import streamlit as st
from azure.storage.blob import BlobServiceClient
import fitz  # PyMuPDF
from PIL import Image
import io

# Azure Blob Storageの設定
blob_service_client = BlobServiceClient.from_connection_string("your_connection_string")
container_name = "pdf-container"

def list_blobs(container_name):
    container_client = blob_service_client.get_container_client(container_name)
    blob_list = container_client.list_blobs()
    return [blob.name for blob in blob_list]

def upload_pdf(file):
    blob_client = blob_service_client.get_blob_client(container=container_name, blob=file.name)
    blob_client.upload_blob(file)
    st.success("PDF uploaded successfully!")

def parse_pdf(file_path):
    blob_client = blob_service_client.get_blob_client(container=container_name, blob=file_path)
    pdf_bytes = blob_client.download_blob().readall()
    doc = fitz.open(stream=pdf_bytes, filetype="pdf")
    markdown_text = ""
    for page_num in range(len(doc)):
        page = doc.load_page(page_num)
        text = page.get_text("text")
        markdown_text += text + "\n\n"
        images = page.get_images(full=True)
        for img_index, img in enumerate(images):
            xref = img[0]   # (4, 0, 326, 8, 8, 'DeviceRGB', '', 'Image1', 'DCTDecode', 0)
            smask = img[1]
            ext_type = img[8] # FlateDecode is png, DCTDecode is jpeg
            base_image = doc.extract_image(xref)
            image_bytes = base_image["image"]
            image = Image.open(io.BytesIO(image_bytes))
            image_path = f"image_{page_num}_{img_index}.jpeg"
            image.save(image_path)
            upload_image_to_blob(image_path)
            markdown_text += f"!Image\n\n"
    return markdown_text

def upload_image_to_blob(image_path):
    blob_client = blob_service_client.get_blob_client(container=container_name, blob=image_path)
    with open(image_path, "rb") as data:
        blob_client.upload_blob(data)

def convert_to_markdown(file_path):
    markdown_text = parse_pdf(file_path)
    markdown_file_path = file_path.replace(".pdf", ".md")
    with open(markdown_file_path, "w") as md_file:
        md_file.write(markdown_text)
    upload_markdown_to_blob(markdown_file_path)

def upload_markdown_to_blob(markdown_file_path):
    blob_client = blob_service_client.get_blob_client(container=container_name, blob=markdown_file_path)
    with open(markdown_file_path, "rb") as data:
        blob_client.upload_blob(data)

def display_markdown(file_path):
    blob_client = blob_service_client.get_blob_client(container=container_name, blob=file_path)
    markdown_content = blob_client.download_blob().readall().decode("utf-8")
    st.markdown(markdown_content)

# Streamlitアプリケーション
st.title("PDF to Markdown Converter")

# PDFアップロード
st.header("Upload PDF")
uploaded_file = st.file_uploader("Choose a PDF file", type="pdf")
if uploaded_file is not None:
    upload_pdf(uploaded_file)

# PDF変換
st.header("Convert PDF to Markdown")
pdf_files = list_blobs(container_name)
selected_pdf = st.selectbox("Select a PDF file to convert", pdf_files)
if st.button("Convert to Markdown"):
    convert_to_markdown(selected_pdf)
    st.success("PDF converted to Markdown successfully!")

# Markdown表示
st.header("View Markdown Files")
markdown_files = [file for file in list_blobs(container_name) if file.endswith(".md")]
selected_markdown = st.selectbox("Select a Markdown file to view", markdown_files)
if selected_markdown:
    display_markdown(selected_markdown)

You get articles that match your needs
You can efficiently read back useful information
You can use dark theme

What you can do with signing up