pdf-mcp

PDF（ファイル形式）とは

PDF は、文書・資料・契約書・論文・スキャン画像などを「どの環境でも同じ見た目」で配布できるファイル形式です。電子契約書・社内マニュアル・営業資料・学術論文・スキャン領収書など、業務文書の事実上の標準形式として使われています。

ただし PDF は「そのままでは AI に読ませにくい」という弱点があります。テキスト埋め込み済み・スキャン画像・表・図など中身が雑多で、特に何百ページにも及ぶ巨大 PDF を AI のコンテキストに全部入れるのはトークン消費・処理時間の両面で現実的ではありません。pdf-mcp はこの問題を解決するために設計された PDF 専門ツールです。

これは公式提供ではなく、有志が作った非公式ツールです。

PDF × AI でできること

この MCP サーバーを導入すると、巨大 PDF も AI が部分的に読み・検索し・抽出できます。

🔍 関連箇所だけ抽出

「300 ページ仕様書から API エンドポイントだけ表にして」
→ 検索 + 該当ページ読み込み

🖼️ スキャン PDF を OCR

「スキャン領収書 PDF から日付・金額・取引先を抽出して」
→ Tesseract OCR + 構造化抽出

📑 章単位アクセス

「論文の第 3 章だけ読んで要約して」
→ 目次取得 + 該当ページ範囲アクセス

🧠 セマンティック検索

「この技術書から transformer の章を探して」
→ pdf-mcp[semantic] でハイブリッド検索（BM25 + ベクトル）

提供される主なツール

pdf-mcp が公式に提供するツール（全 8 種）:

ツール名	役割
pdf_info	PDF のメタデータ・ページ数・目次を取得（まず最初に呼ぶことが公式推奨）
pdf_read_pages	ページ範囲を指定してテキスト・画像を読み込み（OCR 対応）
pdf_read_all	PDF 全体を読み込み（小さい PDF 専用・大きい PDF は pdf_read_pages 推奨）
pdf_render_pages	PDF ページを画像レンダリング（vision モデルに直接見せたいとき）
pdf_search	PDF 内テキスト検索（pdf-mcp[semantic] 拡張で BM25 + ベクトルのハイブリッド検索に発展）
pdf_get_toc	目次（ブックマーク）を取得
pdf_cache_stats	キャッシュ統計の確認（削除はしない）
pdf_cache_clear	キャッシュ削除（既定は期限切れエントリのみ。expired_only=False 指定で全削除）

「まず pdf_info で構造を把握 → pdf_search で関連箇所を絞り込み → pdf_read_pages で該当箇所だけ読む」というフローが、巨大 PDF をコンテキスト溢れなく扱う鍵です。

pdf-mcp について

pdf-mcp は、コミュニティメンバー jztan 氏が公開する PDF 処理特化の MCP サーバーです。PyPI pdf-mcp として配布され、uvx コマンドで起動します。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。

スペック

• 配布形態: PyPI パッケージ（pdf-mcp）+ uvx ランナー（Python 3.10+）
• 認証: 不要（ローカルファイル / URL いずれも。URL 取得は HTTPS 限定・SSRF 対策あり）
• 提供元: コミュニティ実装（jztan/pdf-mcp）/ MIT
• 対応範囲: PDF テキスト・表・画像抽出 / OCR / 検索 / セマンティック検索 / キャッシュ
• オプション: pdf-mcp[semantic]（ハイブリッド検索・fastembed + numpy 約 67MB） / システム Tesseract（OCR）
• 公式リポジトリ: github.com/jztan/pdf-mcp

クラウド OCR との使い分け: ローカルで完結させたい・機密文書を扱う場合は本 MCP（Tesseract）、大量 / 複雑レイアウト / 多言語混在の場合は Mistral OCR MCP（クラウド・高精度）が適しています。

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: 設定の args を ["pdf-mcp[semantic]"] に変更するか、pip install 'pdf-mcp[semantic]' を実行（約 67MB の fastembed + numpy が追加）。

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。
• OCR の言語指定の初期値は英語です（ocr_lang の既定値が eng）。日本語のスキャン PDF をそのまま読ませると文字化けします（編集部が 2026-06-12 に実機確認）。AI への依頼に「日本語の書類なので OCR は日本語（jpn）で」と一言添えるか、ocr_lang="jpn" を指定してください。同検証では数字の細部の誤読（「8,234」→「8.234」のカンマ誤読）も確認しており、金額・日付を使う際は原本確認をおすすめします。
• 本サーバーはコミュニティ実装（jztan 氏）です。サポート契約等はありません（OSS としての MIT ライセンス提供）。

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

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

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

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

[mcp_servers.pdf]
command = "uvx"
args = ["pdf-mcp"]

{
  "servers": {
    "pdf": {
      "type": "stdio",
      "command": "uvx",
      "args": [
        "pdf-mcp"
      ]
    }
  }
}