Claude API で PDF 解析・要約アプリを構築する：Vision + Extended Thinking 活用ガイド

# 必要なパッケージをインストール
pip install anthropic pdf2image Pillow
 
# macOS の場合、Poppler もインストール
brew install poppler
 
# Ubuntu/Debian の場合
# sudo apt-get install poppler-utils

import base64
from io import BytesIO
from pdf2image import convert_from_path
from PIL import Image
 
def pdf_to_base64_images(pdf_path: str, dpi: int = 200) -> list[str]:
    """
    PDF の各ページを base64 エンコードされた PNG 画像に変換する。
 
    Args:
        pdf_path: PDF ファイルのパス
        dpi: 画像の解像度（デフォルト: 200）
 
    Returns:
        base64 エンコードされた画像文字列のリスト
    """
    # PDF を画像リストに変換
    pages = convert_from_path(pdf_path, dpi=dpi)
 
    base64_images = []
    for page in pages:
        # 画像をバイトストリームに変換
        buffer = BytesIO()
        page.save(buffer, format="PNG")
        buffer.seek(0)
 
        # base64 エンコード
        img_base64 = base64.b64encode(buffer.read()).decode("utf-8")
        base64_images.append(img_base64)
 
    return base64_images
 
# 使用例
# images = pdf_to_base64_images("report.pdf")
# print(f"ページ数: {len(images)}")
# 期待する出力: ページ数: 12

import anthropic
 
client = anthropic.Anthropic()  # ANTHROPIC_API_KEY 環境変数を使用
 
def extract_page_content(base64_image: str, page_number: int) -> str:
    """
    Claude Vision API で PDF ページの内容をテキストとして抽出する。
 
    Args:
        base64_image: base64 エンコードされた画像
        page_number: ページ番号（ログ出力用）
 
    Returns:
        抽出されたテキスト
    """
    response = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=4096,
        messages=[
            {
                "role": "user",
                "content": [
                    {
                        "type": "image",
                        "source": {
                            "type": "base64",
                            "media_type": "image/png",
                            "data": base64_image,
                        },
                    },
                    {
                        "type": "text",
                        "text": (
                            f"このPDFのページ {page_number} の内容を正確に抽出してください。"
                            "テキスト、表、図のキャプション、数式などすべての情報を含めてください。"
                            "表はMarkdown形式で再現してください。"
                            "図やグラフは内容を説明してください。"
                        ),
                    },
                ],
            }
        ],
    )
    return response.content[0].text
 
def extract_all_pages(base64_images: list[str]) -> list[dict]:
    """全ページの内容を抽出する。"""
    results = []
    for i, img in enumerate(base64_images, start=1):
        print(f"ページ {i}/{len(base64_images)} を処理中...")
        text = extract_page_content(img, i)
        results.append({"page": i, "content": text})
    return results
 
# 使用例
# pages = extract_all_pages(images)
# print(pages[0]["content"][:200])

def summarize_with_extended_thinking(
    pages: list[dict],
    thinking_budget: int = 10000,
    summary_language: str = "ja",
) -> dict:
    """
    Extended Thinking を使って PDF 全体の要約を生成する。
 
    Args:
        pages: ページごとの抽出テキスト
        thinking_budget: thinking トークン上限
        summary_language: 要約の言語（"ja" or "en"）
 
    Returns:
        {"thinking": str, "summary": str} の辞書
    """
    # 全ページのテキストを結合
    full_text = "\n\n".join(
        f"--- ページ {p['page']} ---\n{p['content']}" for p in pages
    )
 
    lang_instruction = (
        "日本語で要約してください。" if summary_language == "ja"
        else "Summarize in English."
    )
 
    response = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=16000,
        thinking={
            "type": "enabled",
            "budget_tokens": thinking_budget,
        },
        messages=[
            {
                "role": "user",
                "content": (
                    f"以下はPDF文書（全{len(pages)}ページ）の内容です。\n\n"
                    f"{full_text}\n\n"
                    "この文書について以下の形式で要約を作成してください。"
                    f"{lang_instruction}\n\n"
                    "1. **概要**（3〜5文で文書全体の要点）\n"
                    "2. **主要なポイント**（箇条書きで5〜10項目）\n"
                    "3. **重要な数値・データ**（表や数値の抜粋）\n"
                    "4. **結論・提言**（文書の結論部分）\n"
                    "5. **注意点・制約事項**（見落としやすい点）"
                ),
            }
        ],
    )
 
    thinking_text = ""
    summary_text = ""
    for block in response.content:
        if block.type == "thinking":
            thinking_text = block.thinking
        elif block.type == "text":
            summary_text = block.text
 
    return {"thinking": thinking_text, "summary": summary_text}
 
# 使用例
# result = summarize_with_extended_thinking(pages, thinking_budget=10000)
# print(result["summary"])

import sys
import json
from pathlib import Path
 
def analyze_pdf(pdf_path: str, output_path: str = None) -> dict:
    """
    PDF ファイルを解析し、構造化された要約を生成する。
 
    Args:
        pdf_path: 解析対象の PDF パス
        output_path: 結果の保存先（省略時は標準出力）
 
    Returns:
        解析結果の辞書
    """
    print(f"📄 PDF を読み込み中: {pdf_path}")
 
    # Step 1: PDF → 画像
    images = pdf_to_base64_images(pdf_path)
    print(f"✅ {len(images)} ページを画像に変換しました")
 
    # Step 2: Vision でテキスト抽出
    pages = extract_all_pages(images)
    print(f"✅ 全ページのテキスト抽出が完了しました")
 
    # Step 3: Extended Thinking で要約生成
    result = summarize_with_extended_thinking(pages)
    print(f"✅ 要約の生成が完了しました")
 
    # 結果を構成
    output = {
        "source": pdf_path,
        "total_pages": len(pages),
        "pages": pages,
        "summary": result["summary"],
        "thinking_process": result["thinking"],
    }
 
    # ファイルに保存
    if output_path:
        Path(output_path).write_text(
            json.dumps(output, ensure_ascii=False, indent=2),
            encoding="utf-8",
        )
        print(f"💾 結果を保存しました: {output_path}")
 
    return output
 
if __name__ == "__main__":
    pdf_file = sys.argv[1] if len(sys.argv) > 1 else "document.pdf"
    analyze_pdf(pdf_file, output_path="analysis_result.json")

# 環境変数に API キーを設定
export ANTHROPIC_API_KEY="YOUR_API_KEY"
 
# PDF を解析
python pdf_analyzer.py quarterly_report.pdf
 
# 期待する出力:
# 📄 PDF を読み込み中: quarterly_report.pdf
# ✅ 12 ページを画像に変換しました
# ページ 1/12 を処理中...
# ...
# ✅ 全ページのテキスト抽出が完了しました
# ✅ 要約の生成が完了しました
# 💾 結果を保存しました: analysis_result.json

def resize_if_needed(image: Image.Image, max_size: int = 2048) -> Image.Image:
    """画像が大きすぎる場合にリサイズする。"""
    w, h = image.size
    if max(w, h) > max_size:
        ratio = max_size / max(w, h)
        new_size = (int(w * ratio), int(h * ratio))
        return image.resize(new_size, Image.LANCZOS)
    return image