Xpdfで帳票PDFファイルをテキストに一括変換する

やったこと

100件ほどの帳票PDFを内容確認する必要があり、Xpdfを使ってPDF→txtへ変換してgrepで確認できるようにしました

Xpdfをインストールする

XpdfはPDFビューアとPDF操作ツールが一体となったパッケージソフトです。
今回使ったテキスト変換(pdftotext)以外にも、png変換(pdftopng)やHTML変換(pdftohtml)などがあります。

Mac環境のため主にこちらの記事を参考にしました。

ディレクトリ配下のPDFを一括でテキストファイルに変換する

cd hoge/
for i (**/*.pdf) pdftotext  -enc UTF-8 -layout -table -f 1 -l 1  "${i}"

forコマンドを使ってhoge配下のPDFファイルを全てテキストファイルへ変換します。

• -enc UTF-8
  • xpdfの設定ファイルがうまく読み込めなかったので付与しています。ちゃんと設定すれば不要
• -layout -table
  • PDFのレイアウトを保持して崩れにくくするためのオプション。今回はExcel方眼紙的な帳票だったため付与他にも-simpleなどがあり組み合わせを試して設定しています
• -f 1 -l 1
  開始ページ(-f)と終了ページ(-l)。帳票の1ページ目だけ取得すれば良かったので付与

変換が成功すると同ディレクトリ内にpdfと同名のテキストファイルが作成されます。

あとはgrepコマンドでよしなに

今回はデータが単純だったので、grepコマンドで検証に事足りました。