pdf-mcp

{
  "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"
      ]
    }
  }
}

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。実際に詰まるのは次のような場面です。

• スキャンした PDF は画像なので、文字として取り出せない（契約書・領収書・役所の書類に多い）
• 縦書きの日本語は行が入り乱れて読める形にならない
• 表やグラフの数値が、ただの文字の羅列や画像になってしまう
• 何百ページもある資料をまるごと渡すと、AI が読みきれない

pdf-mcp はこれらをまとめて引き受けるために作られた 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、上で挙げた詰まりどころをそれぞれ解消できます。

🖼️ スキャンした PDF が文字として読めない

「このスキャンした領収書から日付・金額・取引先を読み取って」
→ Tesseract OCR で画像から文字を起こす（日本語は言語指定が必要・後述）

📜 縦書きの日本語が入り乱れる

「この縦書きの資料を読んで要点をまとめて」
→ 文字の配置から本来の順序（右から左・上から下）に組み直して読む

🔍 何百ページもあって渡しきれない

「300 ページの仕様書から API の一覧だけ表にして」
→ 検索で当たりをつけてから、該当ページだけ読み込む

📊 グラフの数値が画像に閉じ込められている

「この折れ線グラフの数値を表にして」
→ 図形として描かれたグラフから座標の値を取り出す

提供される主なツール

pdf-mcp が提供するツールは全 13 種です（v2.1.0 時点）。

機能カテゴリ	主なツール
最初に呼ぶ	pdf_info（ページ数・メタデータ・目次の要約・スキャン判定）/ server_info（OCR や意味検索など、いま使える機能の確認）
読む	pdf_read_pages（ページ範囲を指定・OCR も可・表と画像を位置情報つきで返す）/ pdf_read_all（全体を一度に・容量上限あり）
探す	pdf_search（キーワードと意味の組み合わせ検索）/ pdf_get_toc（目次が 50 件を超える文書の全目次）
フォルダ横断	pdf_corpus_overview（文書ごとの要点カードで一覧把握）/ pdf_corpus_search（フォルダ内を横断検索）/ pdf_corpus_warm（時間を区切って事前読み込み）
画像・グラフ	pdf_render_pages（ページを画像化して視覚モデルに見せる）/ pdf_extract_chart（グラフから座標の値を表として抽出・確実に読めない場合は画像を返して辞退する）
キャッシュ	pdf_cache_stats（文書ごとの内訳と合計サイズ）/ pdf_cache_clear（期限切れのみ、または全削除）

「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。フォルダ単位で扱うときは pdf_corpus_overview で全体を見てから pdf_corpus_search に進みます。

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 / 目次 / スキャン判定）、ページ範囲指定の読み取り、表構造の抽出、グラフからの数値抽出、画像レンダリング、キーワードと意味を組み合わせた検索、フォルダ横断の検索まで、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。日本語の縦書きは、文字の配置から本来の読み順に組み直したうえで、単語の区切りがない日本語でも検索できるようになっています。

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: テキスト・表・画像・グラフの抽出 / OCR / 縦書きと CJK の読み取り / 検索 / フォルダ横断 / キャッシュ
• オプション: pdf-mcp[multicolumn]（段組みの読み取り順序） / システム Tesseract（OCR）
• 別の使い方: 手元のパソコンで動かす通常の方式に加え、pdf-mcp-http でサーバーとして立てる方式もあります（プロセスを起動できないクライアント向け・認証トークン必須）
• 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（Python パッケージマネージャー）— 設定例の uvx はこれに含まれるコマンドです
• （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

uv のインストール

設定例の uvx は uv に含まれるコマンドのため、先に uv を入れておく必要があります。ターミナル（Windows は PowerShell）で次の 1 行を実行してください。

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows（PowerShell）
irm https://astral.sh/uv/install.ps1 | iex

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。

意味での検索は既定で使えます（v2 系から同梱。初回利用時に約 67MB の埋め込みモデルを取得します）。段組みの多い PDF で読み取り順序を正したい場合のみ、args を ["pdf-mcp[multicolumn]"] に変更してください。

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。
• 縦書きの日本語は、文字の配置から本来の読み順（右から左・上から下）に組み直して読み取ります。雑誌のように密なレイアウトでは記事単位の切り分けも行い、文字化けは除去されます。
• 段組みの多い PDF は、pdf-mcp[multicolumn] を入れない場合、位置による並べ替えのみになるため段が混ざることがあります。
• グラフの数値抽出は、図形として描かれたグラフが対象です。写真やスキャン画像のグラフは対象外で、確実に読み取れない場合はツール側が数値を返さず画像を返します。
• 人間には見えない文字が埋め込まれた PDF を検出して印を付けます（白い文字・極小の文字・ページ外など）。検出しても中身は消さず、「そのまま信用しない方がよい」という印が付く仕様です。
• Intel 版 macOS で Python 3.14 以降、および Alpine / musl 環境では、同梱される onnxruntime に対応する配布物がありません。Python 3.13 以下をお使いください。
• 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）。