PythonでPDFをMarkdownに変換する方法(2026年版:6ライブラリ+VLM API比較)
KomoAI LLC · 更新日 · 初公開 · 3 分で読めます
結論: 綺麗なテキスト主体のデジタル PDF をローカルで高速処理するなら pymupdf4llm、CPU 環境かつ MIT ライセンスで安定した表・スキャン対応が必要なら Docling、GPU 環境で数式までローカル完結させたいなら Marker または MinerU が適しています。GPU サーバーの運用なしに、2段組論文・LaTeX 数式・結合セルの表・スキャン PDF を高品質で Markdown 化したい場合は、KolmoPDF PDF 解析 API の併用が実務的です。
Python 向け選択肢の比較(2026年)
| 手法 | ライセンス | 計算環境 | スキャン OCR | 複雑な表 | LaTeX 数式 | おすすめ用途 |
|---|---|---|---|---|---|---|
| pymupdf4llm | AGPL / 商用 | CPU(超高速) | ❌ 非対応 | ⚠️ 単純表のみ | ❌ 崩れる | 綺麗なデジタル PDF・事前判定 |
| Docling (IBM) | MIT | CPU / GPU | ✅ 内蔵 | ✅ TableFormer | ⚠️ オプション | 閉域網・CPU ベースの RAG |
| Marker | Apache 2.0 + 重み規約 | GPU 推奨 | ✅ Surya OCR | ✅ 良好 | ✅ 対応 | GPU バッチ・学術論文 |
| MinerU | MinerU Open Source | GPU 推奨 | ✅ 100+ 言語 | ✅ 非常に強い | ✅ 対応 | 日英中混在・スキャン大量処理 |
| MarkItDown | MIT | CPU(軽量) | ❌ 外部必須 | ❌ 平文化 | ❌ 非対応 | Office・HTML 混在取り込み |
| KolmoPDF API | クラウド REST / MCP | ローカル負荷ゼロ | ✅ 標準内蔵 | ✅ GFM 表 | ✅ $ / $$ | GPU なしで高精度パース・RAG |
1. PyMuPDF4LLM(最速の軽量ローカル実装)
pip install pymupdf4llm
import pymupdf4llm
md = pymupdf4llm.to_markdown("paper.pdf")
with open("paper.md", "w", encoding="utf-8") as f:
f.write(md)
フォントサイズから見出しを判定し、page_chunks=True で RAG 向けのページ分割も即座に行えます。ただしスキャン PDF(文字層なし)や数式・複雑な2段組には弱いです。
2. Docling(IBM 製・MIT ライセンスで CPU 動作)
pip install docling
from docling.document_converter import DocumentConverter
converter = DocumentConverter()
result = converter.convert("paper.pdf")
with open("paper.md", "w", encoding="utf-8") as f:
f.write(result.document.export_to_markdown())
商用プロジェクトでも組み込みやすい MIT ライセンス で、CPU 環境でも表構造やスキャン OCR をバランスよく処理できます。
3. Marker / MinerU(GPU 前提の高精度オープンソース)
pip install marker-pdf
marker_single paper.pdf --output_dir out/
GPU が使える場合は論文の数式や画像抽出で高い精度を発揮します。ただしモデル容量が大きく、商用規模によってはライセンス条件の確認が必要です。
4. MarkItDown / pdfplumber
markitdown(MIT): Word / Excel / PowerPoint / PDF を 1 つの API で Markdown 化できますが、PDF の見出し・数式・表の再現性は簡易的です。pdfplumber: 請求書など固定座標の表セルを厳密に抜き出す用途に向いています。
5. KolmoPDF VLM 解析 API(非同期ジョブ+Agent Skill / MCP)
Python から requests でジョブを作成し(202 Accepted)、完了後に Markdown / ZIP を取得します。登録直後から 300 無料ポイント(+毎日 50 ポイント)で検証でき、2ポイント/ページ・AI 学習への利用はありません。
import os
import time
import requests
API = "https://www.kolmopdf.com"
headers = {"Authorization": f"Bearer {os.environ['KOLMOPDF_API_KEY']}"}
with open("paper.pdf", "rb") as f:
created = requests.post(
f"{API}/api/v1/jobs/parse",
headers=headers,
files={"file": f},
data={"table_mode": "markdown"},
timeout=60,
)
created.raise_for_status()
job_id = created.json()["id"]
while True:
status = requests.get(f"{API}/api/v1/jobs/{job_id}", headers=headers, timeout=30).json()
if status["status"] in ("succeeded", "failed", "cancelled"):
break
time.sleep(2)
if status["status"] != "succeeded":
raise RuntimeError(status.get("error") or status)
result = requests.get(f"{API}/api/v1/jobs/{job_id}/download", headers=headers, timeout=60)
result.raise_for_status()
with open("paper_result.md", "wb") as out:
out.write(result.content)
Claude Code・Codex・Cursor から使う場合は npx skills add komoai2026/kolmopdf-skill でそのままセットアップできます。
実務の鉄板パターン:ローカル+VLM のハイブリッド振り分け
大量の PDF を RAG に投入する際は、全ページを重いモデルに流す必要はありません。
- まずローカルで
pymupdf4llm等を使い、1 ページあたりの抽出文字数をチェックする。 - 文字が極端に少ないページ(スキャン)や、数式・複雑な表を含む論文だけを Docling または KolmoPDF API に自動エスカレーションする。
ブラウザで試したい場合は PDF Markdown変換ツール、比較の全体像は PDF Markdown変換ツール比較(10選) をご覧ください。