Ocr And Documents

skill の情報
参考: SKILL.md 全文
手順 1: URL はありますか
手順 2: 手元で使う道具を選ぶ
pymupdf（軽いほう）
marker-pdf（品質の高い OCR）
arXiv の論文
分割・結合・検索
補足

PDF やスキャン画像から文字を取り出します（pymupdf、marker-pdf）。

skill の情報


提供元	最初から入っています
パス	`skills/productivity/ocr-and-documents`
バージョン	`2.3.0`
作者	Hermes Agent
ライセンス	MIT
対応プラットフォーム	linux, macos, windows
タグ	`PDF`, `Documents`, `Research`, `Arxiv`, `Text-Extraction`, `OCR`
関連 skill	`pdf`, `docx`, `powerpoint`

参考: SKILL.md 全文

PDF & Document Extraction

DOCX を扱うなら docx skill（作成と編集）を見るか、構造まで含めて読むなら python-docx を使ってください。 PPTX を扱うなら powerpoint skill を見てください（作成・読み取り・編集にひととおり対応しています）。 PDF そのものの操作（結合、分割、フォーム、透かし、新規作成）は pdf skill を見てください。この skill が扱うのは PDF とスキャンした書類から文字を取り出すこと です。

> read_file の EXTRACTION COVERAGE WARNING を見てここに来ましたか。 read_file は手元の PDF を自動で変換しますが、読むのは文字の層だけです。警告の末尾には、文字が取れなかったページ（画像としてスキャンされたページ）が並びます。数ページだけなら、画像にしてから目で読ませるのがいちばん速いです。pdftoppm -jpeg -r 150 -f N -l N file.pdf /tmp/page を実行して、それぞれの画像を vision_analyze にかけてください。ページ数が多くまとめて OCR したい場合は、下の marker-pdf を使います（手順 2）。

手順 1: URL はありますか

その書類に URL があるなら、まず web_extract を試してください。

web_extract(urls=["https://arxiv.org/pdf/2402.03300"])
web_extract(urls=["https://example.com/report.pdf"])

Firecrawl 経由で PDF を Markdown に変換してくれるので、手元に何も入れずに済みます。

手元で取り出すのは、ファイルがローカルにあるとき、web_extract が失敗したとき、まとめて処理したいときだけにしてください。

手順 2: 手元で使う道具を選ぶ

できること	pymupdf（約 25MB）	marker-pdf（約 3〜5GB）
文字入りの PDF	✅	✅
スキャンした PDF（OCR）	❌	✅（90 言語以上）
表	✅（簡易）	✅（精度が高い）
数式 / LaTeX	❌	✅
コードブロック	❌	✅
フォーム	❌	✅
ヘッダーとフッターの除去	❌	✅
読む順序の判定	❌	✅
画像の取り出し	✅（埋め込み分）	✅（前後の文脈つき）
画像から文字へ（OCR）	❌	✅
EPUB	✅	✅
Markdown での出力	✅（pymupdf4llm 経由）	✅（本来の機能。品質が高い）
導入時の容量	約 25MB	約 3〜5GB（PyTorch とモデル）
速さ	すぐ終わる	1 ページ約 1〜14 秒（CPU）、約 0.2 秒（GPU）

選び方: OCR、数式、フォーム、込み入ったレイアウトの解析が要らないなら pymupdf を使ってください。

marker の機能が必要なのに、空き容量が 5GB ほどない場合は、こう伝えます。 > 「この書類には OCR や高度な取り出し（marker-pdf）が要りますが、PyTorch とモデルのために 5GB ほどの空きが必要です。いまの空き容量は [X]GB です。選べるのは、空き容量を作る、URL をもらって web_extract を使う、あるいは pymupdf で試す（文字入りの PDF には効きますが、スキャンした書類や数式には効きません）の 3 つです。」

pymupdf（軽いほう）

pip install pymupdf pymupdf4llm

補助スクリプトを使う場合:

python scripts/extract_pymupdf.py document.pdf              # Plain text
python scripts/extract_pymupdf.py document.pdf --markdown    # Markdown
python scripts/extract_pymupdf.py document.pdf --tables      # Tables
python scripts/extract_pymupdf.py document.pdf --images out/ # Extract images
python scripts/extract_pymupdf.py document.pdf --metadata    # Title, author, pages
python scripts/extract_pymupdf.py document.pdf --pages 0-4   # Specific pages

その場で書く場合:

python3 -c "

doc = pymupdf.open('document.pdf')
for page in doc:
    print(page.get_text())
"

marker-pdf（品質の高い OCR）

# Check disk space first
python scripts/extract_marker.py --check

pip install marker-pdf

補助スクリプトを使う場合:

python scripts/extract_marker.py document.pdf                # Markdown
python scripts/extract_marker.py document.pdf --json         # JSON with metadata
python scripts/extract_marker.py document.pdf --output_dir out/  # Save images
python scripts/extract_marker.py scanned.pdf                 # Scanned PDF (OCR)
python scripts/extract_marker.py document.pdf --use_llm      # LLM-boosted accuracy

CLI（marker-pdf と一緒に入ります）:

marker_single document.pdf --output_dir ./output
marker /path/to/folder --workers 4    # Batch

arXiv の論文

# Abstract only (fast)
web_extract(urls=["https://arxiv.org/abs/2402.03300"])

# Full paper
web_extract(urls=["https://arxiv.org/pdf/2402.03300"])

# Search
web_search(query="arxiv GRPO reinforcement learning 2026")

分割・結合・検索

pymupdf だけでできます。execute_code か、その場で書く Python を使ってください。

# Split: extract pages 1-5 to a new PDF

doc = pymupdf.open("report.pdf")
new = pymupdf.open()
for i in range(5):
    new.insert_pdf(doc, from_page=i, to_page=i)
new.save("pages_1-5.pdf")

# Merge multiple PDFs

result = pymupdf.open()
for path in ["a.pdf", "b.pdf", "c.pdf"]:
    result.insert_pdf(pymupdf.open(path))
result.save("merged.pdf")

# Search for text across all pages

doc = pymupdf.open("report.pdf")
for i, page in enumerate(doc):
    results = page.search_for("revenue")
    if results:
        print(f"Page {i+1}: {len(results)} match(es)")
        print(page.get_text("text"))

追加のライブラリは要りません。分割、結合、検索、文字の取り出しは、pymupdf ひとつでまかなえます。

補足

URL があるときは、いつでも web_extract が第一候補です
pymupdf は無難な既定です。すぐ終わり、モデルも要らず、どこでも動きます
marker-pdf は OCR、スキャンした書類、数式、込み入ったレイアウト向けです。必要になったときだけ入れてください
どちらの補助スクリプトも --help で使い方が全部出ます
marker-pdf は、初回に約 2.5GB のモデルを ~/.cache/huggingface/ に落とします
Word の文書には pip install python-docx を使ってください（OCR より確実です。実際の構造を読み取ります）
PowerPoint には powerpoint skill を見てください（python-pptx を使います）