本文へスキップ
ReviewRamble

週刊ブリーフ

AIのレビューを、あなたの受信箱に。

  • ツール、モデル、MCPサーバー、リポジトリの新しいレビュー(結論を最初に)
  • 変更があったときに再確認した価格と評価
  • 公開された新しい分析記事

モデル、エージェント、MCPサーバー、そして本当に時間をかける価値のあるツール。

週に1通です。配信停止は各メールのリンクからできます。 メールアドレスの利用について

文書解析

文書解析(document parsing)とは、PDF、スキャン画像、スライド、スプレッドシートなどのファイルを、ソフトウェアで使える構造化されたテキストに変換することです。単なる文字の羅列ではなく、見出し、読む順序、表、画像を保ちます。

別名: PDF parsing, document AI

執筆 Divya Sharma · 2026年11月15日確認 · レビューの方法

ビジネスの知識の大半は、きれいなテキストではなく、PDF やオフィスのファイルに入っています。モデルがそれを検索したり、それについての質問に答えたりする前に、各ページを構造を保ったままテキストに変える処理が必要です。それが文書解析で、その品質が、上に構築する検索拡張生成システムの上限を決めます。

仕組み

パーサーはまず、ファイルにすでに含まれているテキストを読みます。スキャンしたページには光学文字認識を実行します。次にレイアウト解析でタイトル、段落、図、脚注を見つけて読む順に並べ、表抽出で行とセルを再構成します。出力は通常、この構造を保った Markdown か JSON で、そのままチャンキングに使えます。

ツールには 2 つの系統があります。Docling や Marker などのパイプライン型パーサーは、レイアウト、OCR、表のための専用モデルをつなげています。新しいパーサーは、ページの画像を視覚言語モデルに送り、内容を書き出させます。LlamaParse や Reducto などのホスト型 API は、どちらの方式もサービスとして提供しています。

限界

段組みのレイアウト、回転したスキャン、手書き文字、グラフ、複数ページにまたがる表では、今もパーサーがつまずきます。視覚モデルを使うパーサーは、ページにないテキストを作り出すこともあり、これはハルシネーションの一種です。アーカイブ全体をインデックス化する前に、自分の文書のサンプルで出力を元の資料と照らし合わせてください。選択肢の比較は文書解析のガイドにあります。

関連用語

光学文字認識(OCR)
光学文字認識(OCR)とは、スキャンしたページ、写真、スクリーンショットなどの画像からテキストを読み取り、検索、コピー、モデルへの入力ができる機械可読の文字に変換するソフトウェアです。
ビジョン言語モデル(VLM)
ビジョン言語モデル(vision-language model、VLM)とは、画像とテキストを入力として受け取り、テキストを生成するモデルです。画像を説明し、画像についての質問に答え、文書を読み、スクリーンショットからデータを抽出できます。
レイアウト解析
レイアウト解析(layout analysis)とは文書解析の一部で、タイトル、段落、表、図、キャプション、フッターなど、ページ上の領域を見つけてそれぞれにラベルを付け、人が読む順序を割り出す処理です。
表抽出
表抽出(table extraction)とは、文書の中から表を見つけ、その行、列、見出し、セルを、ばらばらのテキストの行ではなく、HTML、Markdown、CSVなどの構造化データとして再構築するタスクです。
チャンキング
チャンキング(chunking)とは、長い文書を埋め込みとインデックス化の前に小さな文章のまとまりに分割する手順です。検索システムは、文書のうちクエリに答える部分だけを見つけて返せるようになります。

出典