PDF文書は、プラットフォームを問わず安定した表示とフォーマットの保持が可能なため、構造化データの保存に広く利用されています。しかし、表データの編集が困難であるため、手作業による転記は非効率であり、エラーが発生しやすいという課題があります。C#を使用することで、PDFの表データを自動的に抽出し、手入力によるミスを回避できるだけでなく、CSVやExcelなどデータ分析に適した形式に変換できます。これにより、データの直接分析やデータベースへのインポートが容易になります。本記事では、C#を使用して.NET環境でPDFの表を抽出し、テキスト、CSV、Excelファイルに保存する方法を紹介します。
本記事で紹介する方法では、無料で利用できるFree Spire.PDF for .NETを使用します。NuGetからインストールできます：
PM> Install-Package FreeSpire.PDF
C#でPDFの表データを抽出
PdfTableExtractorクラスを使用すると、PDF文書から表を抽出できます。その中のPdfTableExtractor.ExtractTable()メソッドを利用すると、指定したページの表を取得し、リストとして返すことができます。このリストを順に処理し、PdfTable.GetText()メソッドを使用して行や列のデータを取得できます。以下の手順で実装します。
- 必要なモジュールをインポート。
-
PdfDocumentオブジェクトを作成し、PdfDocument.LoadFromFile()メソッドでPDF文書を読み込む。 -
PdfDocumentオブジェクトを使用してPdfTableExtractorインスタンスを作成。 - 文書内の各ページを走査し、
PdfTableExtractor.ExtractTable()メソッドで表を抽出。 - 抽出された表リストが空でない場合、各表を走査し、
PdfTable.GetText()メソッドでセルのテキストを取得。 - 取得したデータをテキストファイルに書き込む。
- リソースを解放。
コード例
using Spire.Pdf;
using Spire.Pdf.Utilities;
using System.Text;
namespace ExtractPDFTableToText
{
class Program
{
static void Main(string[] args)
{
// PdfDocumentクラスのインスタンスを作成
PdfDocument pdf = new PdfDocument();
// PDFドキュメントを読み込む
pdf.LoadFromFile("Sample.pdf");
// PdfTableExtractorクラスのインスタンスを作成
PdfTableExtractor tableExtractor = new PdfTableExtractor(pdf);
// PDFドキュメント内のページをループしてテーブルを抽出
for (int i = 0; i < pdf.Pages.Count; i++)
{
// 現在のページからテーブルを抽出
PdfTable[] tables = tableExtractor.ExtractTable(i);
// テーブルリストがnullでない場合、テーブルをループ処理
if (tables != null)
{
for (int j = 0; j < tables.Length; j++)
{
// 現在のテーブルを取得
PdfTable table = tables[j];
string tableData = "";
// テーブル内の行と列をループ処理
for (int k = 0; k < table.GetRowCount(); k++)
{
for (int l = 0; l < table.GetColumnCount(); l++)
{
// 現在のセルからテキストを取得
String cellText = table.GetText(k, l);
String cleanText = cellText.Replace("\r\n", "").Replace("\n", "");
if (l < table.GetColumnCount() - 1)
{
tableData += cleanText + "\t";
}
else
{
tableData += cleanText;
}
}
tableData += "\r\n";
}
// テーブルデータをテキストファイルに書き込む
File.WriteAllText($"output/Page-{i + 1}-Table-{j + 1}.txt", tableData, Encoding.UTF8);
}
}
}
// リソースを解放
pdf.Close();
}
}
}
抽出結果
C#でPDFの表をCSVに変換
抽出した表データをCSV形式に適合するように処理し、CSVファイルとして出力できます。
コード例
using Spire.Pdf;
using Spire.Pdf.Utilities;
using System.Text;
namespace ExtractPDFTableToText
{
class Program
{
static void Main(string[] args)
{
// PdfDocumentクラスのインスタンスを作成
PdfDocument pdf = new PdfDocument();
// PDFドキュメントを読み込む
pdf.LoadFromFile("Sample.pdf");
// PdfTableExtractorクラスのインスタンスを作成
PdfTableExtractor tableExtractor = new PdfTableExtractor(pdf);
// PDFドキュメント内のページをループしてテーブルを抽出
for (int i = 0; i < pdf.Pages.Count; i++)
{
// 現在のページからテーブルを抽出
PdfTable[] tables = tableExtractor.ExtractTable(i);
// テーブルリストがnullでない場合、テーブルをループ処理
if (tables != null)
{
for (int j = 0; j < tables.Length; j++)
{
// 現在のテーブルを取得
PdfTable table = tables[j];
string tableData = "";
// テーブル内の行と列をループ処理
for (int k = 0; k < table.GetRowCount(); k++)
{
for (int l = 0; l < table.GetColumnCount(); l++)
{
// 現在のセルのテキストを取得
String cellText = table.GetText(k, l);
// テキストを処理してCSV構造を壊さないようにする
String cleanText = CleanCsvField(cellText);
if (l < table.GetColumnCount() - 1)
{
tableData += cleanText + ", ";
}
else
{
tableData += cleanText;
}
}
tableData += "\r\n";
}
// テーブルデータをCSVファイルに書き込む
File.WriteAllText($"output/Page-{i + 1}-Table-{j + 1}.csv", tableData, Encoding.UTF8);
}
}
}
// リソースを解放
pdf.Close();
}
// CSV構造を壊す可能性のある文字を取り除く関数
private static string CleanCsvField(string field)
{
// すべての改行を削除し、スペースをトリムする
field = field.Replace("\r\n", "").Replace("\n", "").Replace("\r", "").Trim();
bool mustQuote = field.Contains(",") || field.Contains("\"");
if (mustQuote)
{
// 各ダブルクォートを2つのダブルクォートに置き換え、フィールド全体をダブルクォートで囲む
return "\"" + field.Replace("\"", "\"\"") + "\"";
}
return field;
}
}
}
抽出結果
C#でPDFの表をExcelファイルに出力
Free Spire.XLS for .NET（NuGet：PM> Install-Package FreeSpire.XLS）を併用すると、抽出した表データをExcelファイルとして保存できます。以下の手順で実装します。
- 必要なモジュールをインポート。
-
PdfDocumentオブジェクトを作成し、PdfDocument.LoadFromFile()メソッドでPDF文書を読み込む。 -
Workbookオブジェクトを作成し、新しいExcelワークブックを作成後、Workbook.Worksheets.Clear()メソッドでデフォルトのワークシートを削除。 -
PdfDocumentオブジェクトを使用してPdfTableExtractorインスタンスを作成。 - 文書内の各ページを走査し、
PdfTableExtractor.ExtractTable()メソッドで表を抽出。 - 抽出された表リストが空でない場合、
Workbook.Worksheets.Add()メソッドで各表に対するワークシートを作成。 - 各表の行と列を走査し、
PdfTable.GetText()メソッドでセルのテキストを取得後、Worksheet.Range[].Textプロパティを使用してExcelのセルに書き込む。 -
Workbook.SaveToFile()メソッドを使用してExcelファイルを保存。 - リソースを解放。
コード例
using Spire.Pdf;
using Spire.Pdf.Utilities;
using Spire.Xls;
namespace ExtractPDFTableToText
{
class Program
{
static void Main(string[] args)
{
// PdfDocumentクラスのインスタンスを作成
PdfDocument pdf = new PdfDocument();
// PDFドキュメントを読み込む
pdf.LoadFromFile("Sample.pdf");
// Workbookクラスのインスタンスを作成
Workbook workbook = new Workbook();
// デフォルトのワークシートを削除
workbook.Worksheets.Clear();
// PdfTableExtractorクラスのインスタンスを作成
PdfTableExtractor tableExtractor = new PdfTableExtractor(pdf);
// PDFドキュメント内のページをループしてテーブルを抽出
for (int i = 0; i < pdf.Pages.Count; i++)
{
// 現在のページからテーブルを抽出
PdfTable[] tables = tableExtractor.ExtractTable(i);
// テーブルリストがnullでない場合、テーブルをループ処理
if (tables != null)
{
for (int j = 0; j < tables.Length; j++)
{
// 現在のテーブルを取得
PdfTable table = tables[j];
// ワークブック内にワークシートを作成
Worksheet sheet = workbook.Worksheets.Add($"Page-{i + 1}-Table-{j + 1}");
// テーブル内の行と列をループ処理
for (int k = 0; k < table.GetRowCount(); k++)
{
for (int l = 0; l < table.GetColumnCount(); l++)
{
// 現在のセルのテキストを取得
String cellText = table.GetText(k, l);
// 改行を削除
String cleanText = cellText.Replace("\r\n", "").Replace("\n", "");
// セルのテキストをワークシートの対応するセルに書き込む
sheet.Range[k + 1, l + 1].Text = cleanText;
}
}
// 列の幅を自動調整
for (int m = 0; m < sheet.AllocatedRange.ColumnCount; m++)
{
sheet.AutoFitColumn(m + 1);
}
}
}
}
// ワークブックを保存
workbook.SaveToFile("output/PDFTables.xlsx", ExcelVersion.Version2016);
// リソースを解放
pdf.Close();
workbook.Dispose();
}
}
}
抽出結果
本記事では、C#を使用して.NET環境でPDF文書の表データを抽出し、テキスト、CSV、およびExcelファイルに保存する方法を紹介しました。