ドキュメント処理

ドキュメントテキスト抽出：PDF・Word・Excel をきれいなテキストと Markdown に

Q: パスワード付き PDF は？

パスワードを指定すれば処理できます。

PDF、Word、Excel、PowerPoint、EPUB、HTML、CSV ファイルからテキスト、Markdown、表、メタデータを抽出します。スキャンされたページは19言語の OCR で読み取り、LLM パイプライン向けに RAG 用チャンクへ分割することもできます。

19 人のユーザー97.3% 実行成功率（30日間）

Apify で実行 — 無料トライアル API で利用

取得できるデータ

`markdown`	見出し・リスト・表を保ったきれいな Markdown
`fullText`	ドキュメント全体のプレーンテキスト
`tables`	各表の Markdown と行配列
`metadata`	ドキュメントのメタデータ
`pages`	任意：ページごとのテキストと Markdown
`ragChunks`	任意：見出しパス付きの検索チャンク
`ocrText`	OCR で読み取ったスキャンページのテキスト

使い方

Apify でスクレイパーを開き、無料で登録します。
フォームにルート、日付、オプションを入力します。
Start をクリックし、結果を JSON・CSV・Excel でダウンロード、または API で取得します。

料金

$0.15 1,000 行あたり

イベント課金制：処理したドキュメントと解析したページごとに課金され、スキャンページの OCR を有効にした場合は OCR ページごとにも課金されます。

Apify は毎月 5 ドルの無料クレジットを提供しています。このスクレイパーを無料で試すのに十分です。

タスク例

そのまま使える入力例です。フォームに貼り付けるか API で送信してください。

PDF を表付きの Markdown に変換

すべての表を抽出した Markdown 出力。

{
  "urls": [
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf"
  ],
  "includeMarkdown": true,
  "extractTables": true
}

このタスクを実行 →

PDF と Word を RAG 用チャンクに分割

1200文字、重なり120のチャンク。

{
  "urls": [
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf",
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-contract.docx"
  ],
  "chunkForRag": true,
  "chunkSize": 1200,
  "chunkOverlap": 120
}

このタスクを実行 →

PDF のスキャンページを OCR

テキストレイヤーのないページを最大20ページ読み取り。

{
  "urls": [
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf"
  ],
  "ocrScannedPages": true,
  "ocrLanguage": "eng",
  "ocrMaxPagesPerDocument": 20
}

このタスクを実行 →

PDF の最初の5ページからテキストを抽出

1〜5ページのページ別テキスト。

{
  "urls": [
    "https://raw.githubusercontent.com/lergassy/apify-actor-assets/main/document-text-extractor/sample-report.pdf"
  ],
  "pageRange": "1-5",
  "includePages": true
}

このタスクを実行 →