PDFの中身をAIに渡す前にやっておくと良いこと

PDF・テキスト整形コラム

執筆:松村 誠(植木鉢団 代表)

PDFの内容をAIに要約させたい、あるいは質問の材料にしたい。
そういうとき、PDFをそのままアップロードできるサービスも増えました。

一方で、テキストをコピーして貼り付ける形で渡す場面も残っています。
必要なのが数ページだけで全部を渡す必要がない場合や、PDFの読み取りに対応していないAIを使う場合などです。

崩れたまま渡すと起きること

PDFからコピーしたテキストには、本文以外のものが混ざります。
ページ番号、章のタイトル、資料名のヘッダー、脚注の断片。
これらは各ページの上下に繰り返し入っているので、10ページぶんを貼れば10回混ざることになります。

影響としては、まず単純に、読ませたい中身以外でトークン(AIが処理する文字のまとまり)を使うことになります。
そして本文の途中に「- 12 -」のような行が挟まるので、文の流れが分断されます。

英語の資料では、行末のハイフン分割も引っかかりどころです。
inter- と national に割れたままだと、単語として読まれない場合があります。

もうひとつ、2段組の資料で左右の段が入り混じっているケースは、影響が読みにくいぶん厄介です。
テキストとして目で見ると多少バラついている程度に見えても、文の順序が入れ替わっている以上、要約や回答の中身に響く可能性があります。

どこまで整えるか

とは言え、完璧に整える必要はありません。
AIは多少の崩れなら読み解くので、手をかけるとしたら、影響の大きいところからになります。

  • 文の順序(段組の乱れ): 直しておきたいところ。順序が壊れると内容そのものが変わります。
  • ページ番号・ヘッダーの混入: 量が多いなら消しておくと、無駄が減ります。
  • ぶつ切りの改行: 見やすさの問題が主ですが、消しておくと段落の切れ目が伝わりやすくなります。
  • 語間の余計な空白・ハイフン分割: 単語の形が崩れている箇所だけ直せば十分だと思います。

「AIに貼る」で入る設定

PetaPDFの「AIに貼る」の組み合わせでは、次のように整えます。

  • 段落の中の改行をつなぎ、段落の切れ目には空行を1行入れる
  • 箇条書きの記号は残す
  • 行頭の字下げは外す
  • ページ番号と、繰り返し出てくるヘッダー・フッターを除く
  • 英単語の行末のハイフン分割をつなぐ

段落の切れ目を空行で残しておけば、どこまでが一つの話なのかが、文章の側で示されます。
すべての改行を消して1行にする組み合わせもありますが、こちらは検索窓や表のセルに入れる用途向けです。

処理のあとには「適用された整形ルール」として、「改行の結合(段落保持)」「ヘッダ・フッタ・ページ番号の除去」のような項目と件数が並びます。
何をいくつ直したかが分かるので、思ったより多く消えている項目があれば、そこだけ外して処理し直せます。

質問と資料を分けて書く

整えたテキストを貼るときは、質問と資料の境目が分かるようにしておくと、取り違えが起きにくくなります。

たとえば、最初に「以下の資料を読んで、契約期間に関する記述を3点にまとめてください」と書き、その下に「資料ここから」「資料ここまで」の行で挟んで本文を置く形です。

資料の中に「〜してください」のような文が含まれていても、境目があれば、それが資料の一部だと伝わりやすくなります。
長い資料を何回かに分けて渡す場合は、「第1部」「第2部」のように区切りに名前を付けておくと、あとから「第2部の3段落目」のように指し示せます。

手元で済ませる

当サイトのPetaPDFは、この下ごしらえのためのツールです。
貼り付けたテキスト、またはPDFファイルそのものから、上に挙げた崩れをまとめて処理します。
「AIに貼る」の設定で開けば、段落を保ったまま整形する組み合わせが最初から入っています。

処理はすべてブラウザの中で行われ、テキストもPDFファイルも外部に送信されません。
資料をアップロードせずに手元で扱いたい、という場面でも使えるかと思います。

社外秘の資料をどこまでAIに渡してよいかは、組織ごとのルール次第です。
PDFで渡しても、テキストを貼り付けても、AIに内容が送られる点は同じです。
手元で完結するのは整えるところまでで、AIに渡すかどうかの判断は各自でお願いすることになります。