OllamaでPDFをローカル処理する方法｜pypdfとPythonでテキスト抽出・要約・質問応答を社内サーバーで完結させる手順

この記事のポイント

・pypdfで抽出したテキストをOllamaの/api/generateに渡すと完全ローカルでPDF要約が実現できる
・pip install pypdf requests の2パッケージだけで動作し、クラウド依存ゼロで導入できる
・長いPDFは1,500字程度のチャンクに分割してOllama APIに渡すとコンテキスト超過を防げる
・日本語PDFのテキストが空になる場合はpdfplumberへの切り替えで解消できるケースが多い

# Ollamaの起動確認（11434番ポートでリスンしていればOK）
$ curl http://localhost:11434/
Ollama is running

# Pythonバージョン確認（3.10以上が必要）
$ python3 --version
Python 3.10.12

# Llama3.3（70Bの量子化版・VRAMが少ない環境向け）
$ ollama pull llama3.3:70b-instruct-q4_0

# Mistral（7B・CPUのみの環境でも実用的な速度が出る）
$ ollama pull mistral:7b-instruct-q4_0

# プロジェクトディレクトリの作成
$ mkdir -p ~/pdf-llm && cd ~/pdf-llm

# 仮想環境を作成して有効化
$ python3 -m venv venv
$ source venv/bin/activate
(venv) $

(venv) $ pip install pypdf requests
...
Successfully installed pypdf-4.3.1 requests-2.32.3

# インストール確認
(venv) $ python3 -c "import pypdf; print('pypdf', pypdf.__version__)"
pypdf 4.3.1

# extract.py
import pypdf
import sys

def extract_text(pdf_path: str) -> str:
    reader = pypdf.PdfReader(pdf_path)
    pages = []
    for page in reader.pages:
        text = page.extract_text()
        if text:
            pages.append(text)
    return "\n".join(pages)

if __name__ == "__main__":
    result = extract_text(sys.argv[1])
    print(f"総文字数: {len(result)}")
    print(result[:500])  # 最初の500文字だけ確認

(venv) $ python3 extract.py sample.pdf
総文字数: 4821
令和6年度 業務委託契約書

本契約は、株式会社○○（以下「甲」という）と株式会社△△（以下「乙」という）との間で、
以下のとおり業務委託契約を締結する。
...

(venv) $ python3 - << 'EOF'
import pypdf
reader = pypdf.PdfReader("sample.pdf")
print(f"総ページ数: {len(reader.pages)}")
# 1ページ目だけ取得（インデックスは0始まり）
page1 = reader.pages[0].extract_text()
print(page1[:300])
EOF
総ページ数: 12
令和6年度 業務委託契約書
契約期間: 2026年4月1日～2027年3月31日

# summarize.py
import pypdf
import requests
import sys

OLLAMA_URL = "http://localhost:11434/api/generate"
MODEL = "llama3.3:70b-instruct-q4_0"
MAX_CHARS = 3000  # Ollamaに渡す最大文字数

def extract_text(pdf_path: str) -> str:
    reader = pypdf.PdfReader(pdf_path)
    pages = []
    for page in reader.pages:
        text = page.extract_text()
        if text:
            pages.append(text)
    return "\n".join(pages)

def summarize(text: str) -> str:
    prompt = (
        "以下のテキストを日本語で要約してください。\n"
        "重要なポイントを箇条書きで5点以内にまとめてください。\n\n"
        f"テキスト:\n{text}\n\n要約:"
    )
    payload = {
        "model": MODEL,
        "prompt": prompt,
        "stream": False,
        "options": {"temperature": 0.1}
    }
    response = requests.post(OLLAMA_URL, json=payload, timeout=180)
    return response.json()["response"]

if __name__ == "__main__":
    text = extract_text(sys.argv[1])
    print(f"抽出文字数: {len(text)}")
    summary = summarize(text[:MAX_CHARS])
    print("\n=== 要約 ===")
    print(summary)

(venv) $ python3 summarize.py contract.pdf
抽出文字数: 4821

=== 要約 ===
・契約期間は2026年4月1日から2027年3月31日まで（1年間）
・業務委託範囲はWebシステムの保守・運用業務全般
・月額委託料金は○○万円（税別）、毎月末日払い
・成果物の著作権は完成と同時に甲（委託者）に帰属する
・契約違反時の損害賠償上限は委託料金の総額

# batch_summarize.py
import pypdf
import requests
import sys
from pathlib import Path

OLLAMA_URL = "http://localhost:11434/api/generate"
MODEL = "llama3.3:70b-instruct-q4_0"
MAX_CHARS = 3000

def extract_text(pdf_path: str) -> str:
    reader = pypdf.PdfReader(pdf_path)
    pages = []
    for page in reader.pages:
        text = page.extract_text()
        if text:
            pages.append(text)
    return "\n".join(pages)

def summarize(text: str) -> str:
    prompt = "以下のテキストを日本語で5点以内の箇条書きで要約してください:\n\n" + text + "\n\n要約:"
    payload = {
        "model": MODEL,
        "prompt": prompt,
        "stream": False,
        "options": {"temperature": 0.1, "num_ctx": 4096}
    }
    response = requests.post(OLLAMA_URL, json=payload, timeout=180)
    return response.json()["response"]

def process_directory(input_dir: str, output_dir: str):
    input_path = Path(input_dir)
    output_path = Path(output_dir)
    output_path.mkdir(parents=True, exist_ok=True)

    pdfs = list(input_path.glob("*.pdf"))
    print(f"処理対象: {len(pdfs)} ファイル")

    for i, pdf in enumerate(pdfs, 1):
        print(f"[{i}/{len(pdfs)}] {pdf.name} を処理中...")
        try:
            text = extract_text(str(pdf))
            summary = summarize(text[:MAX_CHARS])
            out_file = output_path / (pdf.stem + "_summary.txt")
            out_file.write_text(summary, encoding="utf-8")
            print(f"  -> {out_file.name} に保存完了")
        except Exception as e:
            print(f"  -> エラー: {e}")

if __name__ == "__main__":
    if len(sys.argv) != 3:
        print("使い方: python3 batch_summarize.py 入力ディレクトリ 出力ディレクトリ")
        sys.exit(1)
    process_directory(sys.argv[1], sys.argv[2])

(venv) $ python3 batch_summarize.py ~/pdfs/inbox ~/pdfs/summaries
処理対象: 8 ファイル
[1/8] contract_2026.pdf を処理中...
  -> contract_2026_summary.txt に保存完了
[2/8] spec_system_v3.pdf を処理中...
  -> spec_system_v3_summary.txt に保存完了
...
[8/8] minutes_20261001.pdf を処理中...
  -> minutes_20261001_summary.txt に保存完了

# crontabの編集
$ crontab -e

# 毎週月曜9時に新着PDFをバッチ処理（venv内のpython3を絶対パスで指定）
0 9 * * 1 /home/ubuntu/pdf-llm/venv/bin/python3 /home/ubuntu/pdf-llm/batch_summarize.py /home/ubuntu/pdfs/inbox /home/ubuntu/pdfs/summaries >> /var/log/pdf-llm-batch.log 2>&1

# pdf_qa.py
import pypdf
import requests
import sys

OLLAMA_URL = "http://localhost:11434/api/generate"
MODEL = "llama3.3:70b-instruct-q4_0"

def extract_text(pdf_path: str) -> str:
    reader = pypdf.PdfReader(pdf_path)
    pages = []
    for page in reader.pages:
        text = page.extract_text()
        if text:
            pages.append(text)
    return "\n".join(pages)

def ask(context: str, question: str) -> str:
    prompt = (
        "以下の文書を参照して、質問に日本語で答えてください。\n"
        "文書に記載がない場合は「文書に記載なし」と回答してください。\n\n"
        f"文書:\n{context}\n\n"
        f"質問: {question}\n\n回答:"
    )
    payload = {
        "model": MODEL,
        "prompt": prompt,
        "stream": False,
        "options": {"temperature": 0.0}  # 再現性を最大にする
    }
    response = requests.post(OLLAMA_URL, json=payload, timeout=120)
    return response.json()["response"]

if __name__ == "__main__":
    if len(sys.argv) < 2:
        print("使い方: python3 pdf_qa.py ファイル.pdf")
        sys.exit(1)
    text = extract_text(sys.argv[1])[:4000]
    print(f"文書を読み込みました（{len(text)}文字）。質問を入力してください（quitで終了）")
    while True:
        question = input("\n質問: ").strip()
        if question.lower() in ("quit", "exit", "q"):
            break
        answer = ask(text, question)
        print(f"回答: {answer}")

(venv) $ python3 pdf_qa.py contract.pdf
文書を読み込みました（4821文字）。質問を入力してください（quitで終了）

質問: 契約期間はいつからいつまでですか？
回答: 契約期間は2026年4月1日から2027年3月31日までの1年間です。

質問: 委託料金の支払いサイクルは？
回答: 月額委託料金は毎月末日払いと規定されています。

質問: 瑕疵担保責任の期間は？
回答: 文書に記載なし

# chunk_summarize.py
import pypdf
import requests
import sys

OLLAMA_URL = "http://localhost:11434/api/generate"
MODEL = "mistral:7b-instruct-q4_0"
CHUNK_SIZE = 1500  # 文字数単位（日本語の場合1,500字が目安）

def extract_text(pdf_path: str) -> str:
    reader = pypdf.PdfReader(pdf_path)
    pages = []
    for page in reader.pages:
        text = page.extract_text()
        if text:
            pages.append(text)
    return "\n".join(pages)

def chunk_text(text: str, size: int) -> list:
    return [text[i:i+size] for i in range(0, len(text), size)]

def call_ollama(prompt: str) -> str:
    payload = {
        "model": MODEL,
        "prompt": prompt,
        "stream": False,
        "options": {"temperature": 0.1}
    }
    response = requests.post(OLLAMA_URL, json=payload, timeout=120)
    return response.json()["response"]

def summarize_chunk(chunk: str) -> str:
    return call_ollama(
        "以下のテキストを3点以内の日本語箇条書きで要約してください:\n\n"
        + chunk + "\n\n要約:"
    )

def final_summary(summaries: list) -> str:
    combined = "\n".join(summaries)
    return call_ollama(
        "以下は長文書の各セクション要約です。全体を5点以内の日本語箇条書きで最終要約してください:\n\n"
        + combined + "\n\n最終要約:"
    )

if __name__ == "__main__":
    text = extract_text(sys.argv[1])
    chunks = chunk_text(text, CHUNK_SIZE)
    print(f"総文字数: {len(text)} / チャンク数: {len(chunks)}")
    chunk_summaries = []
    for i, chunk in enumerate(chunks, 1):
        print(f"  チャンク {i}/{len(chunks)} を処理中...")
        chunk_summaries.append(summarize_chunk(chunk))
    print("\n=== 最終要約 ===")
    print(final_summary(chunk_summaries))

(venv) $ python3 chunk_summarize.py annual_report_2026.pdf
総文字数: 18324 / チャンク数: 13
  チャンク 1/13 を処理中...
  チャンク 2/13 を処理中...
  ...
  チャンク 13/13 を処理中...

=== 最終要約 ===
・2026年度の売上高は前年比12%増の○○億円を達成した
・主力サービスのクラウド事業が全体の45%を占め、最大の収益源となった
・人件費増加により営業利益率は前年の18%から15%へ低下した
・翌年度は東南アジア3カ国への展開を予定している
・研究開発費を前年比30%増に引き上げ、AIソリューション強化を推進する

(venv) $ pip install pdfplumber

# pdfplumberでの代替抽出
(venv) $ python3 - << 'EOF'
import pdfplumber
with pdfplumber.open("scan.pdf") as pdf:
    for i, page in enumerate(pdf.pages):
        text = page.extract_text()
        if text:
            print(f"ページ{i+1}: {text[:200]}")
            break
        else:
            print(f"ページ{i+1}: テキストなし（スキャン画像の可能性）")
EOF

# timeout=180を300に変更して再試行
response = requests.post(OLLAMA_URL, json=payload, timeout=300)

ローカルLLMによるPDF処理・文書自動化を2日間のハンズオンで体験する

pypdfとOllamaを使ったPDF処理は、社内文書の自動化に直結する実用スキルだ。理論を理解するだけでなく、実際のPDFや業務シナリオで手を動かして習得したい方向けに、「ローカルAIマスターセミナー」を開催しています。
少人数（最大8名）ZOOMハンズオン形式で実施しています。