PDFをAIに読ませても読めない原因｜OCR・画像PDF・表の崩れ

公開日
2026-06-27
更新日
2026-09-17
情報確認日
2026-09-17
編集・運営
Local AI Compass

PDF回答がずれる時、最初に疑うべきはモデルではなく、PDFから文字と構造が正しく取り出せているかです。画像PDFや複雑な表は、表示用MarkdownやRAGのchunkへ変換する前に、元の証拠と対応づけて確認します。

導入前に確認すること

  • Windowsのバージョン、メモリ容量、GPU/VRAM、空き容量を確認する
  • 最初は軽量モデル、短い質問、少ない同時作業から始める
  • 公式サイトの対応OS、利用規約、モデルのライセンスを確認する

Doclingの出力をMarkdownだけで判断しない

DoclingはPDFをDoclingDocumentという統一表現へ変換し、本文、表、画像、読み順、layout bounding box、provenanceを扱います。ここからMarkdown、HTML、JSON、chunks(JSONL)を作れますが、同じ内容を別の見た目で保存しているだけではありません。形式ごとに残る証拠が違うため、RAGへ渡すtextと、後で元PDFへ戻る検証用データを分けます。

出力向いている用途失われやすい・残すべき情報
Docling JSON / export_to_dict原本に近い中間成果物、再検証、再chunk表セル、rowspan/colspan、doc item、page、provenanceを保持する。保存用の基準にする
HTML / export_to_html表の見た目と結合セルのQArowspan/colspanを含む構造を確認できる。画面表示と元PDFを照合する
Markdown / export_to_markdown人が読む、LLMへ渡す、軽い検索Markdownにspan表現はない。結合セルの正確な復元やpage証拠の唯一の保存先にしない
Chunks (JSONL)RAGのembedding・retrieval入力chunk textだけでなくheading、caption、doc item、page、source revision、chunk IDを一緒に保存する

特に表の結合セルがあるPDFでは、Markdownだけを正解として扱うと列見出しの関係を誤ることがあります。Docling公式のserialization説明では、JSON・HTML・DocTagsはspan情報を保持する一方、Markdownはrowspan/colspanの表現を持たないためflattenされます。表の数値や単位を回答根拠にする場合は、MarkdownをRAG入力に使っても、JSONまたはHTMLと元PDFでセル構造を確認します。

chunkも単なる文字列ではありません。HierarchicalChunkerはDoclingDocumentの検出要素と文書階層を使い、見出しやcaptionなどのmetadataを付けます。HybridChunkerはtokenizerに合わせて分割・結合し、長い表では表ヘッダーを繰り返す設定があります。chunkをembeddingへ渡す前に、どのdoc item・page・heading・tableに戻れるかを記録しないと、検索結果の引用を元PDFへ戻せません。

  1. 原本PDF、変換設定、Docling JSONを同じdocument revisionで保存する。
  2. 表を含むページはJSONのcell/spanとHTMLのrowspan/colspanを確認し、Markdownの列だけでセル対応を決めない。
  3. RAG用chunkにchunk ID、source revision、page、heading、caption、doc item/table IDを付け、embedding後も追跡できるようにする。
  4. 表・脚注・段組みを含む質問を少数作り、Markdown/chunkの回答をJSON・HTML・元PDFのページへ戻って照合する。
  5. セル数、列見出し、単位、結合範囲、読み順が一致しない場合は、モデルを大きくする前に再抽出・再chunkまたは人間確認へ戻す。

PDFはAI向けの本文形式ではない

PDFは見た目を保つ形式です。本文の読み順、表のセル、脚注、ヘッダー、段組みが、抽出テキストでは別の順番になることがあります。

読めない原因の早見表

症状原因候補確認
文字が出ない画像PDF、スキャンPDFOCR済みか見る
表が壊れるセル構造を保持できない元PDFと抽出テキストを比べる
途中だけ答えるページや章が検索されない章指定で質問する
数字がずれる表、脚注、単位の抽出崩れ元の表で照合する

OCRを使う時の注意

OCRは助けになりますが、誤認識、読み順、表の構造までは完全に保証しません。重要な数値、日付、単位は必ず元PDFへ戻ります。

AnythingLLMで見る順番

  1. 公開PDFを1つだけ入れる
  2. 抽出された本文や引用を確認する
  3. 表や脚注を含むページで質問する
  4. 元PDFと回答を照合する
  5. 問題があればOCRやPDF作り直しを検討する

よくある質問

画像PDFはAIに読ませられますか。

OCRが必要になることがあります。OCR結果が崩れると、検索や回答も崩れます。

表の数値をAIに確認させてもよいですか。

補助にはなりますが、桁、単位、列見出しを元PDFで照合してください。

PDFが読めない時はモデルを大きくすべきですか。

先に抽出テキストを確認します。入力が壊れている場合、モデルを大きくしても原因は残ります。

DoclingではMarkdownとJSONのどちらをRAGに使えばよいですか。

Markdownは読みやすくembeddingへ渡しやすい一方、表の結合セルや詳細なprovenanceの基準にはしません。JSONを検証用の原本に残し、chunk ID・page・doc itemをMarkdownまたはchunk metadataへ対応づけます。

Doclingのchunks(JSONL)を保存すれば元PDFの引用も復元できますか。

chunk textだけでは不十分です。source revision、page、heading、caption、doc item/table IDなどを保持し、JSON・HTML・元PDFの該当ページへ戻れることを確認してください。

次に読むおすすめルート

PDFや資料を読ませたい人

先に基本を押さえ、モデル単体の確認後にAnythingLLMへ進みます。

  1. PDF・文書チャットの使い分け
  2. PDF回答が間違う理由
  3. オンデバイスRAG/NPU研究
  4. RAGのCPU/GPU/NPU負荷分解
  5. Quant.npuとNPU向け静的量子化
  6. LENSで見るNPUレイテンシ予測
  7. AnythingLLMでPDFを読むには？商用利用前の確認も整理
  8. PDFを読ませても期待通りに答えない理由
  9. WindowsでローカルOCRを選ぶ方法
  10. チャンク分割と検索漏れ
  11. 引用faithfulness確認
  12. AnythingLLM検証チェックリスト
  13. ローカルLLMの安全性とプライバシー
  14. ローカルRAGのプライバシー
  15. RAG・埋め込み・ベクトルDBの仕組み
  16. GGUF安全とRAG/NPU研究
  17. 知らないGGUFを動かす前に
  18. 埋め込みモデルとは
  19. 日本語PDFと埋め込みモデル
  20. コンテキスト長とは
  21. 仕事のPDFを入れる前の確認
  22. AnythingLLMの解説
  23. まずローカルAIの基本ガイド
  24. PCスペックの見方
  25. 診断ページ

あなたはどのタイプ？

次に読むおすすめ記事

補助リンクを表示（15件）

関連チェック先

  • The Verge: AI PDF parsing failure - PDFの表、段組み、画像、脚注などの抽出難を説明する報道補助資料です。
  • AnythingLLM Docs - Embedding Models、Language Models、Vector Database、Security & Access、Privacy & Data Handlingなどの公式入口です。
  • Docling Document - DoclingDocumentの文書構造、layout bounding boxes、provenanceを確認する公式ドキュメントです。
  • Docling supported formats - Doclingの入力形式と、JSON・HTML・Markdown・DocTags・Chunks(JSONL)などの出力形式を確認する公式ドキュメントです。
  • Docling serialization - Doclingの形式別serializerと、JSON・HTML・Markdownで表のrowspan/colspanがどう保持されるかを確認する公式ドキュメントです。
  • Docling chunking - DoclingのHierarchicalChunker・HybridChunker、見出し・caption・表ヘッダーを含むchunk metadataの公式説明です。

関連ツール

比較表を見る / 最初に検討しやすいツールを確認する