【Firecrawl製】爆速ドキュメント解析「anydoc」徹底解説！Pythonパッケージ名の罠と正しい使い方

LLM（大規模言語モデル）やRAG（検索拡張生成）システム構築において、最大の課題の一つが「ドキュメントのパース速度と一貫性」です。

Webスクレイピングサービスで有名な Firecrawl が開発した新進気鋭の文書パースツール 「anydoc」 について、その特徴から、Python環境構築時に高確率でハマる「偽パッケージ名の罠」、そして正しい使い方までを網羅的にまとめました。

1. anydoc とは？
- 主な特徴
2. 【超重要】インストール時のハマりポイント（パッケージ名の罠）
- ❌ やってはいけないインストール（エラーの原因）
- ⭕ 正しいインストール方法とPythonバージョン
3. Pythonでの基本的な使い方とコード例
- 単一ドキュメントの変換コード
  - 結果
- ディレクトリ一括処理（RAG前処理パイプライン）
  - 結果
4. まとめ

1. anydoc とは？

anydoc は、各種フォーマットのドキュメントをLLMが最も理解しやすい GitHub-Flavored Markdown (GFM) へ超高速変換するために作られたオープンソースツールです。コア部分は Rust で実装されており、PythonおよびNode.js、WebAssembly（WASM）のバインディングが提供されています。

主な特徴

圧倒的な低レイテンシ： ピュアRust実装により、1ドキュメントあたりの変換時間中央値は 5ms未満（実測値4.4ms）。UnstructuredやDoclingなどの既存ツールと比較して数十倍〜百倍以上の速度を誇ります。
広範なフォーマット対応： .docx, .pptx, .xlsx, .pdf, .rtf, .epub, .csv, .odt など全14種類のファイルフォーマットを単一のインターフェースで処理可能。
完全ローカル・プライバシー設計： 外部API送信や重いモデルのダウンロードを必要とせず、ローカル環境のみで完全に動作します。

2. 【超重要】インストール時のハマりポイント（パッケージ名の罠）

Pythonでanydocを使おうとした際、一番最初にハマりやすいのがインストールするパッケージ名です。

❌ やってはいけないインストール（エラーの原因）

pip install anydoc  # これはダミーパッケージです！

これを実行すると、PyPI上に存在する全く関係のない空のパッケージ（v0.0.0）がインストールされてしまいます。「Requires-Python <3.11（Python 3.10以下じゃないと入らない）」という謎のエラーが出たり、インストール後に AttributeError: module 'anydoc' has no attribute 'to_markdown' と言われたら、この罠に引っかかっています。

⭕ 正しいインストール方法とPythonバージョン

Firecrawlが提供している公式のPythonパッケージ名は firecrawl-anydoc です。必ずこちらをインストールしてください。

# pip を使用する場合
pip install firecrawl-anydoc

# uv を使用する場合（推奨）
uv pip install firecrawl-anydoc

【対応Pythonバージョンについて】 公式の firecrawl-anydoc は Stable ABI（cp310-abi3）でビルドされているため、Python 3.10 以上（3.11, 3.12, 3.13…）の最新環境でそのまま動作します。 わざわざPythonのバージョンを3.10に下げる必要はありません。

3. Pythonでの基本的な使い方とコード例

正しいパッケージ（firecrawl-anydoc）がインストールされていれば、インポート名は anydoc となり、非常にシンプルな関数でMarkdown化が可能です。

単一ドキュメントの変換コード

ファイルのパスを渡して直接Markdownの文字列を取得するには anydoc.to_markdown() を使用します。

import anydoc

def convert_to_markdown(file_path: str) -> str:
    # anydoc.to_markdown() で直接Markdown文字列を取得
    markdown_text = anydoc.to_markdown(file_path)
    return markdown_text

if __name__ == "__main__":
    # Windows環境でのパス指定例
    file_path = r"files\260819.docx"
    
    try:
        docx_md = convert_to_markdown(file_path)
        print("--- 変換結果 (先頭200文字) ---")
        print(docx_md[:200])
    except Exception as e:
        print(f"変換エラー: {e}")

結果

ディレクトリ一括処理（RAG前処理パイプライン）

pathlib を組み合わせることで、多様な拡張子が混在するフォルダを一括で変換できます。数十〜数百のファイルも数秒で処理が終わるため、バッチ処理に最適です。

from pathlib import Path
import anydoc

def process_docs_folder(input_dir: str, output_dir: str):
    input_path = Path(input_dir)
    output_path = Path(output_dir)
    output_path.mkdir(parents=True, exist_ok=True)

    supported_extensions = {".docx", ".doc", ".pptx", ".xlsx", ".pdf", ".epub", ".rtf", ".csv"}

    for file_path in input_path.rglob("*"):
        if file_path.suffix.lower() in supported_extensions:
            try:
                # ファイルパスから直接Markdownへ変換
                markdown_text = anydoc.to_markdown(str(file_path))
                
                # 出力先のMarkdownファイル名を生成
                out_file = output_path / f"{file_path.stem}.md"
                out_file.write_text(markdown_text, encoding="utf-8")
                print(f"[OK] Converted: {file_path.name}")
            except Exception as e:
                print(f"[ERROR] Failed to convert {file_path.name}: {e}")

if __name__ == "__main__":
    process_docs_folder("./raw_documents", "./processed_markdowns")