pdf-mcp — 巨大 PDF を AI に読ませる Python 製ハブ（テキスト・表・OCR・セマンティック検索）

{
  "mcpServers": {
    "pdf": {
      "command": "uvx",
      "args": ["pdf-mcp"]
    }
  }
}

{
  "mcpServers": {
    "pdf": {
      "command": "uvx",
      "args": ["pdf-mcp"]
    }
  }
}

{
  "mcpServers": {
    "pdf": {
      "command": "uvx",
      "args": ["pdf-mcp"]
    }
  }
}

概要

pdf-mcp は jztan 氏が公開する PDF 処理特化の MCP サーバーです（PyPI: pdf-mcp / GitHub: jztan/pdf-mcp / MIT ライセンス / 2026-05-12 v1.12.1 / Python 3.10+）。

PyMuPDF をエンジンとして、AI が 大きな PDF をコンテキスト溢れなく扱えるように設計されています。文書情報の取得（メタデータ / トークン推定 / OCR 候補判定）、ページ範囲指定の読み取り、表構造の抽出、画像レンダリング、ハイブリッド検索（BM25 + セマンティック）まで、PDF 周りの処理を1つの MCP で完結できます。

SQLite キャッシュで一度処理した PDF は高速に再アクセス可能。OCR や セマンティック検索はオプショナル拡張のため、軽量起動も可能です。

導入手順

前提条件

• uv または Python 3.10+
• （任意）Tesseract — OCR を使う場合のみ・システムレベルでインストール
  • macOS: brew install tesseract
  • Linux: sudo apt-get install tesseract-ocr
  • Windows: UB-Mannheim 公式インストーラ
• （任意）日本語 OCR を使う場合は tesseract-ocr-jpn 言語パック

ステップ

1. ページ上部のタブから使用環境（Claude Desktop / Cursor / Cline）を選択し、JSON 設定をコピー
2. コピーした JSON を設定ファイルに追記して保存
3. クライアントを再起動

uvx pdf-mcp が初回実行時に PyPI からパッケージを取得・起動します。

セマンティック検索を使う場合

uvx pdf-mcp[semantic]

または手動で pip install 'pdf-mcp[semantic]'。約67MB の fastembed + numpy が追加されます。

使い方の例

「report.pdf の中で『売上』に関する箇所だけ集めて要約して」
→ pdf_search → pdf_read_pages の連携で関連ページのみ抽出

「scanned_invoice.pdf （スキャン画像PDF）から日付・金額・取引先を抽出して」
→ pdf_read_pages の OCR 機能で画像 PDF をテキスト化

「論文の章立てを教えて、その上で第3章だけ詳しく読んで」
→ pdf_get_toc で目次取得 → 該当ページ範囲を pdf_read_pages

提供されるツール

公式リポジトリの src/pdf_mcp/server.py 内 @mcp.tool() デコレータから逐語抽出した 8 ツール（docstring の冒頭は実装の文言そのまま）:

読み取り系

• pdf_info — "Get PDF document information including metadata, page count, and table of contents. Always call this first to understand the document structure before reading content."
• pdf_read_pages — "Read text content and images from specific pages of a PDF. Use page ranges to control how much content is loaded."
• pdf_read_all — "Read the entire PDF document. Warning: Only use for small documents. For large documents, use pdf_read_pages with specific page ranges."
• pdf_render_pages — "Render PDF pages as images for visual inspection by vision-capable models. Use when you need to see page content directly."

検索・構造

• pdf_search — "Search for text within a PDF document. Use this to find relevant pages before reading full content. Much more efficient than loading the entire document."（pdf-mcp[semantic] 拡張で BM25 + ベクトルのハイブリッド RRF 検索に発展可能）
• pdf_get_toc — "Get the table of contents (bookmarks/outline) from a PDF. Useful for understanding document structure and navigating to specific sections."

キャッシュ管理

• pdf_cache_stats — "Get PDF cache statistics and optionally clear expired entries."
• pdf_cache_clear — "Clear the PDF cache."

注意事項

• Python 3.10+ が必要です。
• OCR 機能はオプショナルです。スキャン PDF を扱わない場合は Tesseract のインストール不要で軽量に起動できます。
• 環境変数 PDF_MCP_CACHE_DIR（デフォルト ~/.cache/pdf-mcp）と PDF_MCP_CACHE_TTL（デフォルト 24時間）でキャッシュ挙動を制御可能。
• 表抽出（pdf_read_pages の table extraction）は構造化データ（header + rows）として返されます。
• 日本語 PDF（テキスト埋め込み済み）は PyMuPDF が直接読み取りますが、スキャン画像 PDF を日本語 OCR するには Tesseract に jpn.traineddata を追加してください。