やりたいこと
Python で PDF ファイルを解析してテキスト要素などを抽出する。
対象ファイル: 消費動向調査 結果の概要
https://www.esri.cao.go.jp/jp/stat/shouhi/gaiyou.pdf
pdfplumber
ライブラリは pdfplumber を利用する。
インストール
pip install pdfplumber
プログラム例
import sys
import pdfplumber
# 全要素を取得
def output_all(pdf_file):
with pdfplumber.open(pdf_file) as pdf:
for page in pdf.pages:
print(f"annots: {page.annots}\n")
print(f"texts: {page.extract_text()}\n")
print(f"words: {page.extract_words()}\n")
print(f"chars: {page.chars}\n")
print(f"tables: {page.extract_tables()}\n")
print(f"lines: {page.lines}\n")
print(f"rects: {page.rects}\n")
print(f"images: {page.images}\n")
print(f"hyperlinks: {page.hyperlinks}\n")
pdf_file = sys.argv[1]
output_all(pdf_file)
実行結果（一部）
text
page.extract_text() で位置情報を含まないテキスト情報のみを取得する。
texts: 報道資料
消費動向調査（令和７ (2025)年10月実施分）
結果の概要
＜消 費者マインド＞
words
page.extract_words() で位置情報とともに連続したテキストを取得する。
words: [
{'text': '報道資料', 'x0': 53.4, 'top': 62.88347999999996, 'width': 56.160000000000004, 'height': 14.040000000000077, ...},
{'text': '消費動向調査（令和７', 'x0': 177.96, 'top': 93.56399999999996, 'width': 120.47999999999999, 'height': 12.0, ...},
...
]
上記は見やすさのため改行している。
chars
page.chars で位置情報とともに文字単位でテキストを取得する。
chars: [
{
'object_type': 'char',
'page_number': 1,
'x0': 298.92, 'y0': 25.91808, 'x1': 304.79136, 'y1': 36.47808,
'text': '1',
'matrix': (10.56, 0.0, 0.0, 10.56, 298.92, 29.16),
'fontname': 'BVTPJW+Century',
'width': 5.8713599999999815, 'height': 10.559999999999999, 'size': 10.559999999999999,
'top': 805.44192, 'bottom': 816.0019199999999, 'doctop': 805.44192
...
},
...
]
上記は見やすさのため改行している。
tables
page.extract_tables() でテーブルのテキストを取得することができる。
tables: [
[['から見た10月の消費者マインドは、持ち直している。...', ...],
['二人以上の世帯、季節調整値）', ...],
...
],
...
]
上記は見やすさのため改行している。
lines
page.lines で線を取得することができる。
lines: [
{'object_type': 'line',
'page_number': 1,
'x0': 63.23153740615001, 'y0': 518.86018180672, 'x1': 522.98285490615, 'y1': 518.86018180672,
'width': 459.7513175, 'height': 0.0,
'pts': [(63.23153740615001, 323.05981819327997), (522.98285490615, 323.05981819327997)],
'linewidth': 0.0, 'stroke': True, 'fill': False, 'evenodd': False, 'stroking_color': 0, 'non_stroking_color': 0.0,
'tag': 'Artifact', ...},
...
]
rects
page.rects で矩形を取得することができる。
rects: [
{'object_type': 'rect',
'page_number': 1,
'x0': 45.8, 'y0': 759.22, 'x1': 117.0, 'y1': 784.47,
'width': 71.2, 'height': 25.25,
'tag': 'TextBox',
...
},
...
]