検索と領域ズーム

pdfvision は、まずテキストの根拠を探し、その一致領域だけをレンダリングできます。条項、表セル、図のラベル、フォーム値、OCR 結果を、ページ全体の画像を渡さずに確認したいときに有効です。

これは pdfvision の中でも特にエージェント向きのワークフローです。テキスト検索を低コストな locator として使い、本当に必要な場所だけ視覚的な根拠に切り替えます。

PDF を検索する

pdfvision report.pdf --search "revenue" --json

一致結果は pages[].matches[] に出ます。各 match にはページ番号、query、source、テキスト断片、位置を特定できた場合の bbox が含まれます。

複数の query は --search を繰り返します。

pdfvision paper.pdf --search "transformer" --search "attention" --json

既定ではリテラル検索、大文字小文字を区別しない検索、NFKC を考慮した検索です。必要なときだけ regex や厳密な大小文字一致を使います。

pdfvision report.pdf --search "Q[1-4] revenue" --search-regex --json
pdfvision report.pdf --search "PDF" --search-case-sensitive --json

検索対象として有効なもの:

• 契約条項やポリシー用語。
• 財務指標ラベル。
• 表の行名。
• フォーム値。
• 図キャプションやグラフラベル。
• スキャンページ上の OCR テキスト。
• Unicode 形式が揺れやすい多言語語句。

検索対象

検索は次の信号を対象にできます。

• PDF のネイティブテキスト。
• --form-fields のテキスト値や choice 値。
• --annotations の表示される FreeText 注釈。
• --ocr の OCR テキスト。利用できる場合は OCR word box を使います。

ネイティブ、フォーム、注釈の match と重複する OCR match は抑制されるため、同じ表示テキストが二重に出にくくなります。

match の source は、エージェントがどの程度信頼すべきかを判断する手がかりです。

• native: PDF text layer 由来。
• formField: 見える widget value または display value 由来。
• annotation: 見える FreeText annotation 由来。
• ocr: ページ pixels 由来で、confidence の確認が必要な場合があります。

複数 query の検索では、queryIndex により、どの --search フラグからの hit かを呼び出し側で追跡できます。

一致領域をレンダリングする

match の bbox を --render-region に渡します。

pdfvision report.pdf --pages 3 --render --render-region 120,180,360,140 --render-output ./crops --json

--render-region は選択ページがちょうど 1 ページである必要があります。領域は左上原点の PDF ポイントで、ページ境界内に収まる必要があります。

小さいラベル、上付き文字、密な表セル、チャート凡例では --render-scale を上げます。

pdfvision report.pdf --pages 3 --render --render-region 120,180,360,140 --render-scale 3 --render-output ./crops --json

よい crop にするには、match bbox の周囲に少し余白を足してから --render-region に渡します。周辺文脈があると、vision model がラベル、行見出し、近くの説明文を読みやすくなります。

エージェントの流れ

1. --search で候補の根拠を探す。
2. pages[].matches[] から page、source、bbox が適切な match を選ぶ。
3. --pages、--render、--render-region で視覚クロップを作る。
4. クロップをネイティブテキスト、OCR テキスト、周辺 layout block と比較する。

テキスト検索できない視覚領域には、レンダリングと OCR の --visual-regions または --render-visual-regions を使います。

例: 監査可能な claim check

pdfvision annual-report.pdf --search "Net sales" --search "Operating income" --layout --json

エージェントは pages[].matches[] を見て、正しいページと周辺 context を持つ hit を選び、crop を要求できます。

pdfvision annual-report.pdf --pages 42 --render --render-region 72,180,468,180 --render-output ./evidence --json

最終回答では、抽出テキストとレンダリングされた根拠領域の両方を参照できます。