ガイド

PDF・Word・Excel を RAG・LLM 向けのクリーンな Markdown へ変換する方法

機密性の高い PDF、Word (DOCX)、Excel シートをサーバー送信なしで構造化された Markdown へ抽出し、ベクトル検索や LLM 入力に最適化します。

読了目安 2分

クイックアンサー: LLM とベクトル検索では、`.pdf`・`.docx`・`.xlsx` のままよりも見出しや GFM 表が保たれた Markdown の方がチャンク分割精度が大きく向上します。TxtTo は PDF.js や OOXML、マルチシート表をブラウザ RAM 内でローカル解析し、RAG 用 Markdown を生成します。

素のままの PDF/DOCX 抽出が RAG 検索精度を下げる理由

PDF から文中の途中改行、反復ページ番号、崩れた表データごとベタ書きテキストとして取り込んでしまうと、ベクトルデータベースの検索チャンク分割が文脈の途中で分断されてしまいます。

`#` 見出し、`-` 箇条書き、`[リンク](url)`、`| 表 |` 形式の Markdown へ構造化することで、見出しセクション境界に沿った高精度なチャンキングが可能になります。

  • フォントサイズ推定により PDF の視覚的見出しを `#` / `##` として復元。
  • 文中で途切れた PDF 改行やハイフン分割を自然な段落へ再結合。
  • ページごとに繰り返されるヘッダー・フッターを自動除去。

セルフホスト版 PDF.js による機密 PDF のローカル抽出

取締役会資料、契約書、社内仕様書を外部のオンライン PDF 変換サイトへアップロードすると情報漏洩リスクが生じます。TxtTo は外部 CDN 通信を行わないセルフホスト版 PDF.js ワーカーをブラウザ内で実行します。

複数ページの資料もすべてブラウザのメモリ上で解析し、すぐ埋め込みやプロンプト貼り付けに使えるクリーンな Markdown を生成します。

PDF をローカルで Markdown に抽出する

純 TypeScript による Word (.docx) と Excel (.xlsx) 抽出

Word の `.docx` アーカイブ内部には `Heading1` などの見出しスタイル、ハイパーリンク、リスト、`<w:tbl>` 表組が `word/document.xml` として格納されています。OOXML を直接読み取ることで、重い埋め込み画像を除外しつつ構造だけを綺麗に抽出できます。

同様に Excel ワークブックも整列された GFM パイプテーブルへ変換できるため、LLM が財務数値の列対応を取り違えるのを防げます。

markdown
## Q3 Architecture Metrics

| Region | Latency (ms) | Availability |
| :--- | :--- | :--- |
| US-East | 38.4 | 99.99% |
| EU-West | 42.1 | 99.98% |

Word (.docx) を GFM Markdown に変換する

オフラインのトークン計測ツールでチャンクサイズを見積もる

文書を綺麗な Markdown に整えたら、分割や API 送信の前に GPT-5・Claude 4・Gemini 2.5 のコンテキスト上限に対するトークン数をローカルで確認しましょう。

Excel シートを Markdown テーブルに変換する

参考文献

よくある質問

OCR なしのローカル抽出でスキャン画像だけの PDF も読み取れますか?

いいえ。クライアントサイドの PDF 抽出は選択可能なテキスト層を読み取ります。文字データが含まれない画像スキャン PDF の場合は OCR が必要です。

Word to Markdown はハイパーリンクや番号付きリストも維持されますか?

はい。word/_rels/document.xml.rels のリレーションからクリック可能なリンクを復元し、numbering 定義から箇条書きや連番リストを再現します。

長文の RAG ドキュメント内では生 CSV ではなく Markdown 表を使うべき理由は何ですか?

Markdown パイプテーブルは周囲の見出し階層や Markdown ベースのチャンク分割器と干渉せず、列見出しの意味を保ったまま処理できるためです。

関連フォーマット

関連比較ページ

関連ガイド