軽量PDFパーサー:レイアウト、テーブル、数式、バウンディングボックス対応
Lightweight PDF parser with layout, tables, formulas and bounding boxes
paperoは、CPUのみで動作し、機械学習モデルを使用しない軽量PDFパーサーです。PDFからMarkdown、JSON、Word、Excelへの変換が可能で、読み取り順序、テーブル、数式、各ブロックの位置情報も抽出します。ブラウザアプリ、Pythonライブラリ、APIとして利用でき、ブラウザアプリでは30秒でPDFの解析とエクスポートが可能です。特に、RAG(Retrieval-Augmented Generation)、検索、LLM(大規模言語モデル)での利用を想定し、PDFの構造情報をプレーンな幾何学情報で再構築することで高速な処理を実現しています。テーブルはCSVやExcel形式、数式はLaTeX表記と画像で出力され、各ブロックにはバウンディングボックスが付与されます。また、画像やチャートも切り出して保存できます。DOCXやHTMLへのエクスポートでは、元のページのレイアウト(段組み、インデント、行間など)を維持します。OCR機能も搭載しており、スキャンされたPDFにも対応します。Apache Tika経由でDOCX、PPTX、XLSX、EPUB、HTMLなどのファイルも読み込めます。MITライセンスで提供されており、PyPIでは`papero-extract`として公開されています。
- paperoはCPUのみで動作し機械学習モデルを使わない軽量PDFパーサーとして公開。Markdown/JSON/Word/Excel変換に対応
- 読み取り順序、テーブル(CSV/Excel)、数式(LaTeX表記と画像)、各ブロックのバウンディングボックスを抽出し、画像やチャートの切り出しも可能
- RAG・検索・LLM利用を想定しPDF構造を幾何学情報で再構築、ブラウザアプリでは30秒で解析とエクスポートが完了
- MITライセンスでブラウザアプリ・Pythonライブラリ・APIとして提供され、PyPIで`papero-extract`として公開。OCRやApache Tika経由のDOCX/PPTX/XLSX/EPUB/HTML読み込みにも対応
paperoはCPUのみ・MLモデル非依存でPDFのレイアウト/テーブル/数式/バウンディングボックスを抽出し、RAG・検索・LLM向けの前処理コストを大幅に下げる位置づけのOSS。MITライセンスかつPyPI公開で導入障壁が低く、RAGパイプラインの構築コスト・GPU依存を嫌うエンタープライズ需要を取り込みやすい。ただし単独の収益源にはなりにくく、投資家視点ではLLM/RAGのデータ前処理レイヤーがコモディティ化しつつある証左として、ドキュメント取り込みを内製/OSSで済ませる動きが商用ベンダーの課金余地を圧縮する点に注目したい。