MLモデル不要、ブラウザで動く軽量PDFパーサー「papero」が登場

Lightweight PDF parser with layout, tables, formulas and bounding boxes

MLモデル不要、ブラウザで動く軽量PDFパーサー「papero」が登場

paperoは、レイアウト・表・数式・バウンディングボックスを抽出するオープンソースのPDFパーサーだ。MLモデルを使わずCPUのみで動作し、ブラウザ、Python、APIとして利用できる。多段組の読み順、罫線なし表、LaTeX数式を再構築し、各ブロックの位置情報も保持。arXiv論文54件で失敗ゼロ、中央値39ms/ページという高速処理を実現している。

MLベースのツールは非常に不規則なレイアウトや複雑な数式(積み重ね分数、行列)では依然として優位だが、paperoは数式を近似LaTeXと画像の両方で提供するため、情報が失われることはない。
  1. antonly

    これを試してみたけど、結果がかなりおかしい。MiniSat[1]の論文を入れてみたところ、壊滅的に間違っているようだ: https://imgur.com/a/i3RHwcQ

    [1]: http://minisat.se/downloads/MiniSat.pdf

  2. phenomen

    現在、PDFパイプラインで https://github.com/firecrawl/anydoc を使っている。

    ほとんどの場合、うまく動作している。比較のためにあなたのライブラリを試してみるよ。

  3. JaumeGar

    本当に素晴らしい仕事だ、共有してくれてありがとう。表と数式の抽出は見事だ。

この日のほかの記事

2026-10-01