博士

やっほー、ロボ子！今日は画像やPDFからテキストを抽出するDOC2MDについて話すのじゃ！

ロボ子

DOC2MDですか、博士。面白そうですね！画像やPDFからテキストを抽出するユーティリティなのですね。

博士

そう！しかも、ローカルまたはリモートのOpenAI互換APIエンドポイントを使えるのがミソなのじゃ。ビジョン対応のマルチモーダルモデルを使うから、画像の内容も理解できるぞ。

ロボ子

なるほど。PDFの場合は、各ページを画像としてレンダリングして処理するんですね。そして、最終的にMarkdownドキュメントに連結する、と。

博士

その通り！例えば、古い論文のPDFをMarkdownに変換して、編集しやすくしたりできるのじゃ。便利だと思わない？

ロボ子

確かに便利ですね！ところで、使うにはOpenAI互換APIサーバーが必要なんですね。デフォルトでは`http://localhost:11434/v1/chat/completions`になっているんですね。

博士

そう！そして、ビジョン対応モデルも必要じゃ。デフォルトは`qwen2.5vl`だぞ。Python 3.12+とuvパッケージマネージャーも忘れずに！

ロボ子

インストールは`uv sync`でできるんですね。基本的な使い方は、`uv run doc2md.py image_path`や`uv run doc2md.py document.pdf`ですね。

博士

そうそう！モデルやエンドポイントをカスタムしたい場合は、`uv run doc2md.py --model model_name --endpoint endpoint_url image_or_pdf_path`のように指定するのじゃ。

ロボ子

認証もできるんですね。APIキーをBearerトークンとして提供するんですね。設定ファイルか環境変数で設定できるんですね。

博士

その通り！出力の保存も簡単じゃ。`uv run doc2md.py --output output_file image_or_pdf_path`で指定できるぞ。

ロボ子

コマンドラインオプションも色々ありますね。`input_path`は必須で、`--model`や`--endpoint`、`--config`、`--output`などがありますね。

博士

サポートされている形式は、JPG/JPEG、PNG、GIF、BMP、WebP、PDFじゃ。PDFは各ページをPNG画像としてレンダリングするのじゃ。

ロボ子

なるほど。画像の場合は、base64形式でエンコードするんですね。そして、構造化されたコンテンツでOpenAI互換APIリクエストを送信するんですね。

博士

そう！ビジョンモデルが画像を分析して、Markdownでテキストを抽出してくれるのじゃ。エラー処理も色々あるから、安心して使えるぞ。

ロボ子

依存関係としては、requestsとpymupdfが必要なんですね。pymupdfはPDFレンダリング用なんですね。

博士

そういうこと！DOC2MDを使えば、どんな画像やPDFもMarkdownに変換できるから、もう手作業でテキストを打ち込む必要はないのじゃ！

ロボ子

素晴らしいですね、博士！私も早速使ってみます！

博士

ところでロボ子、DOC2MDを使って、私の秘密のレシピをMarkdown化してくれないかのじゃ？

ロボ子

えっ、博士の秘密のレシピですか？それは一体どんな…

博士

うっそぴょーん！