あ

import streamlit as st
import pdfplumber
import pandas as pd
import re
import mistune # 高速Markdownパーサ

st.set_page_config(page_title="PDF → Markdown 抽出ツール", layout="wide")
st.title("📄 PDFをMarkdownに変換してテキスト・表を抽出")

Markdownに整形する関数

def text_to_markdown(text):
lines = text.split('\n')
md_lines = []

for line in lines:
    line = line.strip()
    if not line:
        continue

    # セクションっぽい行
    if re.match(r"^[0-9０-９]+[\.\．、)]\s*", line):
        md_lines.append(f"## {line}")
    # 表っぽい行（スペース or タブ区切り）
    elif '\t' in line or re.search(r'\s{2,}', line):
        cells = re.split(r'\t+|\s{2,}', line)
        md_lines.append('| ' + ' | '.join(c.strip() for c in cells) + ' |')
    else:
        md_lines.append(line)

return '\n'.join(md_lines)

Markdown ASTからテーブルとテキストを分離

def parse_markdown(md_text):
markdown = mistune.create_markdown(renderer=mistune.AstRenderer())
ast = markdown(md_text)

tables = []
texts = []

for block in ast:
    if block['type'] == 'table':
        headers = [h['text'] for h in block['header']]
        rows = []
        for row in block['cells']:
            rows.append([cell['text'] for cell in row])
        df = pd.DataFrame(rows, columns=headers)
        tables.append(df)
    elif block['type'] in ['paragraph', 'heading']:
        texts.append(block['text'])

return texts, tables

メイン処理

uploaded_file = st.file_uploader("PDFファイルをアップロードしてください", type=["pdf"])

if uploaded_file:
uploaded_file.seek(0)
all_text = ""
with pdfplumber.open(uploaded_file) as pdf:
for page in pdf.pages:
page_text = page.extract_text()
if page_text:
all_text += page_text + '\n'

if not all_text.strip():
    st.warning("PDFからテキストを抽出できませんでした。画像型PDFの可能性があります。")
else:
    md_text = text_to_markdown(all_text)
    st.subheader("📝 Markdown形式に変換されたテキスト")
    st.code(md_text, language="markdown")

    st.download_button(
        "Markdownをダウンロード",
        data=md_text,
        file_name="extracted.md",
        mime="text/markdown"
    )

    # Markdownパースして表示
    st.subheader("📃 テキスト抽出結果")
    texts, tables = parse_markdown(md_text)

    for i, txt in enumerate(texts):
        st.markdown(f"**段落 {i+1}**\n\n{txt}")

    st.subheader("📊 表抽出結果")
    if tables:
        for i, df in enumerate(tables):
            st.markdown(f"**表 {i+1}**")
            st.dataframe(df)
            csv = df.to_csv(index=False).encode("utf-8-sig")
            st.download_button(
                f"表 {i+1} をCSVでダウンロード",
                data=csv,
                file_name=f"table_{i+1}.csv",
                mime="text/csv",
            )
    else:
        st.info("表は見つかりませんでした。")