#pdf

PDFに目次ページはあるのに、機械が使えるアウトラインが入っていないことがある その場合でも、リンク付きの目次なら比較的きれいに復元できる もっと厄介なのは、ただ印刷されているだけの目次。ここでは「見出し」と「実際のページ位置」を別々に扱う必要がある この記事の面白いところは、PDFの中に書かれている情報を、かなり地道に読み直して `toc_df` を作り直す発想にある RAG（検索拡張生成）では、章ごとに範囲を切れるかどうかが地味に効く。ここを外すと、検索も要約も雑になりやすい この記事が扱っているのは、かなり「あるある」なPDFの悩みです。人間が開くと、きちんと目次ページがある。ところがPDFビューアのブックマーク欄は空っぽ。つまり、ページ上には文字として目次が印刷されているのに、ソフトウェアが使える構造情報としては入っていない、という状態です。 著者はこれを、RAGシステムの文脈でかなり実務的に見ています。文書解析の段階で `toc_df` という表を作るのですが、ここには `level`、`title`、`start_page`、`end_page`、`brea

PDFや請求書、契約書、画像、音声、動画。こういう「人間なら読めるけど、機械にはつらい」素材を、きれいな表に変えるのは昔から面倒な仕事でした。しかも従来は、書類の形式ごとにテンプレートを作り、少しレイアウトが変わるたびに修正する必要があった。地味ですが、かなり消耗する作業です。 The New Stackの記事は、Amazon Bedrock Data Automationがこの悩みをかなり正面から壊しに来ている、と紹介しています。要するに、決まった型に当てはめるのではなく、foundation modelsを使って「散らかったデータ」を構造化されたデータへ変換する仕組みです。テンプレートに縛られないのが売りです。 Amazon Bedrock Data Automationは、PDFやメディアを構造化データに変える新しい仕組み 従来のテンプレート型抽出は、書式が少し変わるだけで壊れやすかった foundation modelsを使うことで、形式の違いに強くなれる 特に、請求書や契約書のような「毎回ちょっと違う文書」と相性がよさそう 人手での確認はまだ必要だが、前処理の手間はかなり減ら

Microsoft EdgeでPDFを開こうとすると、画面が真っ白のまま表示されない・読み込みが止まる、という症状ですね。 仕事中に急に起きると焦りますが、上から順に試してみてください。ほとんどの場合、設定の見直しやキャッシュ削除で改善します。 Microsoft EdgeでPDFが開けない・真っ白になるときは、だいたい次のどれかです。 Edgeの一時不具合（=ブラウザ側の読み込みミス） キャッシュやCookieの破損（=古いデータが悪さをしている） 拡張機能の干渉（=広告ブロックなどがPDF表示を妨げる） PDFファイル自体の問題（=壊れている、サイズが大きすぎる） Windows 11 24H2 側の既定アプリ設定の不整合（=開くアプリの関連付けがずれている） 最初にやるのはシンプルですが重要です。 開いている Microsoft Edge をいったん全部閉じます。 もう一度Edgeを起動し、別のPDFファイル を開いてみます。 別のPDFは開けるのに特定のファイルだけ真っ白なら、そのPDF自体の破損

元記事はPDF形式の資料で、本文テキストはこの抽出だけでは内容を正確に復元しづらい そのため、ここでは「PDF資料として公開されているAI関連の文書」という事実を踏まえ、背景と読みどころを整理する AIの資料は、文章そのもの以上に「何を伝えようとしているか」を読むのが大事 技術資料は専門用語が多いが、実際には「何が変わるのか」「誰に影響するのか」をつかむのが本質 PDFの中身が機械的に圧縮されていて読みにくいときは、内容だけでなく形式そのものも情報になる 今回紹介するのは、Squarespace上で公開されている 「2026-Spring-AI.pdf」 というPDF資料です。 タイトルにある通り、AIに関する何らかの資料で、しかも「2026 Spring」という表現から、春時点の情報をまとめた文書だとわかります。 ただ、先に正直に言うと、この元データはテキスト抽出結果がほぼPDFの内部構造そのもので、本文の自然な文章が読み取れる状態ではありません。 つまり、この抽出情報だけでは「何が書いてあるか」を断定できない のです。ここはかなり重要で、無理に内容を想像してしまうと