本サイトでは、文章の一部の生成系AIを活用しています。また、一部の記事にはアフィリエイトリンクを設定しています。

はじめに

生成AIにPDF資料を読ませたいとき、PDFをそのまま渡すと見出しや表の構造が崩れたり、そもそも文字が取れなかったりします。そこで、事前にMarkdownへ変換するのが定番です。

Pythonでこれをやるライブラリとしてよくあがるのが markitdown と pymupdf4llm です。
この記事では、同じ sample.pdf を両方で変換して、何が取れて何が取れないのかを比較しました。ライセンスの違いも重要なので、最後にまとめています。

他の形式の比較は次の記事をご覧ください。

markitdownとは

markitdown は、Microsoftが公開しているPython製のOSSで、さまざまなファイルをMarkdownに変換するツールです。

  • PDF、Word、Excel、PowerPoint、HTMLなど、多くの形式に対応
  • 見出し・リスト・表といった文書の構造をMarkdownとして残す
  • コマンドライン(markitdown sample.pdf)でも、Pythonコードからでも使える
  • 生成AI(LLM)に文書を読ませる前処理として使う用途を想定している

pymupdf4llmとは

pymupdf4llm は、Artifex Softwareが提供するPDF処理ライブラリ PyMuPDF をベースに、PDFをLLM向けのMarkdownに変換するパッケージです。

  • 見出し(#)・表・太字などをMarkdownとして出力する
  • Markdown以外に、JSONやプレーンテキストでも出力できる
  • ページごとに分割して取得できる(page_chunks=True)
  • OCRにより、テキストが埋め込まれていない画像PDFも処理できる
  • 入力は主にPDF(PyMuPDFが扱える形式)

markitdownが「いろいろな形式を変換する汎用ツール」なのに対して、pymupdf4llmは「PDFに特化した変換ライブラリ」です。

2つのツールの概要

項目 markitdown pymupdf4llm
バージョン(検証時) 0.1.9 2.1
提供元 Microsoft(米国) Artifex Software(米国)
ライセンス MIT AGPL-3.0
出力形式 Markdownのみ Markdown / JSON / プレーンテキストなど
入力形式 PDF以外も可(Word / Excel / PowerPoint / HTMLなど) 主にPDF(PyMuPDFが扱える形式)
テキスト埋め込みなしPDF(画像PDF) 抽出不可 OCRにより抽出可能
テキスト埋め込みありPDF 抽出可能(誤検出などあり) 抽出可能

検証方法

次のスクリプト(compare_pdf.py)で、同じPDFを両方の方法で変換しました。全文は次のとおりです。

"""PDF の解析を pymupdf4llm と markitdown で行い、結果を比較するサンプル。

使い方:
    python compare_pdf.py sample.pdf --out-dir out
"""

import argparse
from pathlib import Path

import pymupdf4llm
from markitdown import MarkItDown


def parse_pymupdf4llm(path: Path) -> list[str]:
    """pymupdf4llm で Markdown に変換し、ページごとに返す。

    Args:
        path: 入力 PDF のパス。

    Returns:
        ページごとの Markdown テキストのリスト(0 番目が page 1)。
    """
    chunks = pymupdf4llm.to_markdown(str(path), page_chunks=True)
    return [f"## page {i}\n{c['text'].strip()}" for i, c in enumerate(chunks, start=1)]


def parse_markitdown(path: Path) -> list[str]:
    """markitdown で Markdown に変換する。

    markitdown の PDF 変換はページ区切りを出力しないため、全体を 1 要素で返す。

    Args:
        path: 入力 PDF のパス。

    Returns:
        変換結果の Markdown テキスト(要素 1 つのリスト)。
    """
    return [MarkItDown().convert(str(path)).text_content.strip()]


def main() -> None:
    parser = argparse.ArgumentParser(description="pymupdf4llm と markitdown の比較")
    parser.add_argument("pdf", type=Path, help="入力 PDF")
    parser.add_argument("--out-dir", type=Path, default=Path("output"), help="出力先")
    args = parser.parse_args()

    args.out_dir.mkdir(parents=True, exist_ok=True)
    results = {
        "pymupdf4llm": parse_pymupdf4llm(args.pdf),
        "markitdown": parse_markitdown(args.pdf),
    }
    # 手法ごとに全体を 1 ファイル(<out-dir>/<pdf名>.<手法>.md)に保存する。
    for name, parts in results.items():
        content = "\n\n".join(parts) + "\n"
        out = args.out_dir / f"{args.pdf.stem}.{name}.md"
        out.write_text(content, encoding="utf-8")
        print(f"===== {name} -> {out} =====")
        print(content)


if __name__ == "__main__":
    main()

検証に使った sample.pdf は4ページ構成で、ページごとに要素を1種類ずつ入れています。

ページ 内容
1 テキストのみ(タイトル+本文)
2 表(3行×3列)
3 グラフ(四半期別売上)
4 画像

検証に使ったPDFは次のリンクから確認できます。

比較結果

実際の出力は次のとおりです。

markitdownの出力

テキストのサンプル
テキストのみのスライド

テーブルのサンプル
| R1C1 | R1C2 | R1C3 |
| ---- | ---- | ---- |
| R2C1 | R2C2 | R2C3 |
| R3C1 | R3C2 | R3C3 |

四半期別売上グラフ
売上
35
30
30
25
20
20
15
15
10
10
5
0
Q1 Q2 Q3 Q4

画像のサンプル

pymupdf4llmの出力

## page 1
# テキストのサンプル 

## `テキストのみのスライド`

## page 2
# テーブルのサンプル 

|**R1C1**|**R1C2**|**R1C3**|
|---|---|---|
|R2C1|R2C2|R2C3|
|R3C1|R3C2|R3C3|





<!-- Start of picture text -->
R3C3<br><!-- End of picture text -->

## page 3
# 四半期別売上グラフ 



<!-- Start of picture text -->
売上<br>35<br>30<br>30<br>25<br>20<br>20<br>15<br>15<br>10<br>10<br>5<br>0<br>Q1 Q2 Q3 Q4<br><!-- End of picture text -->

## page 4
# 画像のサンプル 

画像

差が出なかったもの(テキストと表)

PDFに埋め込まれた文字そのものは、どちらも取得できました。表も、どちらもMarkdownの表として出力されています。

見出しの認識

最も差が出たのは見出しです。

  • markitdown: 単純にPDFに埋め込まれたテキストを抽出しているだけなので、文字の大きさから見出しを判断できず、# を付けずに出力する。タイトルも本文も同じ扱いになる
  • pymupdf4llm: 文字の大きさから見出しを判断し、# ## を付けて出力する。ページごとの区切り(## page N)も付けられる

LLMに読ませる場合や、見出し単位でチャンク分割してRAGに使う場合は、見出しが付くpymupdf4llmのほうが扱いやすいです。

グラフ

グラフの中の文字は、どちらも取得できましたが、グラフとして読めているわけではありません。

  • markitdownは、軸の目盛りの数値(35 30 25…)とラベル(Q1 Q2…)が1行ずつ並ぶだけで、どの棒がいくつなのかは分からない
  • pymupdf4llmは、同じ文字を <!-- Start of picture text --> というコメントで囲み、<br> 区切りで出力する。図として扱って文字だけ取り出している

どちらも、グラフの値(Q1=10、Q2=20…)は読み取れません。これは今回のスクリプトに限らず、PDFに描画されたグラフに共通する制約です。

画像

画像ページは、どちらも画像の中身は出力されず、見出しと「画像」という文字だけです。
画像の内容を説明させたい場合は、別途LLMなどで画像を解析する必要があります。

画像PDF(テキスト埋め込みなし)

スキャンしたPDFなど、テキストが埋め込まれていない画像PDFでは差がはっきり出ました。

  • markitdown: テキストを取得できず、空のファイルになった。エラーも出ないため、空出力に気づきにくい
  • pymupdf4llm: OCRにより、テキスト埋め込みありでもなしでも出力できる

markitdownをパイプラインに組み込む場合は、出力が空でないかのチェックを入れておくのがおすすめです。

品質面での注意

別のPDFで試した範囲では、どちらも完全ではありませんでした。

  • markitdown
    • 見出しを認識しない
    • グラフ内のテキストを表として誤認識して出力することがあった
  • pymupdf4llm
    • Azure AIのDocument Intelligenceなどクラウドサービスに比べると品質は落ちる
    • 元にない装飾が混入する(取り消し線 ~~…~~、<mark>、<u>)
    • 日本語の誤認識がある(例: 「ノウハウ」→「ノウ八ウ」)
    • 英文の途中に不要なスペースや改行が入る
    • 図の部分が文字化けする

OCR結果は、そのまま信用せず、重要な文書は目視で確認することをおすすめします。

ライセンスの違い

機能面だけでなく、ライセンスの違いも選定時には重要です。

  • markitdown: MIT
  • pymupdf4llm: AGPL-3.0

pymupdf4llmは内部でPyMuPDFを使用しており、PyMuPDFがAGPL-3.0ライセンスで提供されています。

AGPL-3.0で気をつけること

AGPL-3.0は、ソフトウェアを利用者・顧客に提供する場合に、ソースコードの開示義務が生じるライセンスです。

  • 自社内だけで完結して使用する、外部へ配布・提供しない場合は、ソースコードの開示義務は通常は生じない
  • 従業員・部門間の利用を超えて、外部の顧客・パートナー向けにサービス提供する場合や、SaaSとして提供する形態に移行する場合は、開示義務が生じる可能性がある

つまり、社内ツールのうちは問題なくても、あとから外部向けサービスにしたときに問題になる可能性があります。

商用利用での対応策

PyMuPDFには、商用利用を想定した有償ライセンス版も提供されています。
ソースコードを開示せずに商用製品へ組み込みたい場合は、販売元のArtifex Software, Inc.から有償ライセンスを取得することが推奨されます。

ライセンスの解釈は利用形態によって変わるため、商用利用を考えている場合は、法務部門などに確認してください。

比較まとめ

項目 markitdown pymupdf4llm
テキストの取得 取得可能(誤検出などあり) 取得可能
見出し(#) 付かない 付く
表 Markdownの表として出力 Markdownの表として出力(太字の混入あり)
ページ区切り なし あり(page_chunks=True)
グラフ 軸の数値とラベルが並ぶだけ 同様(画像内テキストとしてコメントで囲まれる)
画像 出力されない 出力されない(OCRで文字は取れる)
画像PDF 抽出不可(空ファイルになる) OCRにより抽出可能
出力形式 Markdownのみ Markdown / JSON / プレーンテキストなど
入力形式 PDF以外も可 主にPDF
ライセンス MIT AGPL-3.0

まとめ

  • markitdown

    • 見出しが付かず、画像PDFは空になる
    • 一方で、Word / Excel / PowerPointなど、PDF以外もまとめて同じ方法で変換できる
    • MITライセンスなので、商用利用でも扱いやすい
  • pymupdf4llm

    • 見出し・ページ区切りが付き、OCRで画像PDFも処理できる
    • ただしOCRの誤認識や、元にない装飾の混入がある
    • AGPL-3.0なので、外部向けサービスで使う場合はライセンスに注意が必要
  • 使い分け方

    • テキスト埋め込みありのPDFや、PDF以外の形式もまとめて変換したい、ライセンスを気にしたくないならmarkitdown
    • 画像PDFを扱う、見出し構造を残したい、社内利用に限るならpymupdf4llm

なお、今回の検証は1つのサンプルファイルと、いくつかのPDFによるもので、バージョンによって出力は変わる可能性があります。
実際のPDFで試して確認してください。