Pythonを使用してPDFファイルからテーブルをバッチ抽出する方法

PDFドキュメントには通常、公式レポート、学術論文、財務報告書などの文書に多くのデータが含まれています。これらの文書には、構造化されたテーブルデータがしばしば含まれています。テーブルは、重要な情報を保持するためのキャリアとして機能し、データ分析、研究論証、ビジネスの意思決定において重要な意味を持ちます。しかし、PDF形式は文書のクロスプラットフォームの一貫性を保証している一方で、データの直接的な抽出と利用には障壁があります。Pythonを使用してPDFドキュメントから効率的にテーブルを抽出する方法を習得することで、データ処理能力や情報フローの加速能力を向上させることができます。本記事では、Pythonを使用してPDFドキュメントからテーブルデータを迅速に抽出し、Excelファイルに保存する方法について説明します。

• Pythonを使用してPDFドキュメントからテーブルデータを抽出する方法
• PDFドキュメントからテーブルを抽出してExcelファイルに保存する方法

この記事で使用する方法には、Spire.PDF for Pythonが必要です。PyPIを介してインストールすることができます：pip install Spire.PDF。

無料ライセンスの申請

PDFドキュメントからテーブルデータを抽出する

PdfTableExtractor(PdfDocument)クラスは、PDFドキュメントのテーブル抽出作業に使用できます。このクラスのインスタンスを作成した後、PdfTableExtractor.ExtractTable(int: page index)メソッドを使用して指定されたページのすべてのテーブルを抽出することができます。テーブルを取得した後、PdfTable.GetText(int: row index, int column index)メソッドを使用してテーブルデータを他の場所に保存することができます。
以下は、PDFのテーブルを抽出してテキストに保存する手順です：

1. 必要なモジュールをインポートします。
2. PdfDocumentのインスタンスを作成し、PdfDocument.LoadFromFile()メソッドを使用してPDFドキュメントをロードします。
3. テーブルデータを保存するためのリストを作成し、ドキュメントからPdfTableExtractorのインスタンスを作成します。
4. ドキュメントのページを反復処理し、PdfTableExtractor.ExtractTable(int: page index)メソッドを使用してページ上のテーブルを抽出します。
5. 抽出された各テーブルを反復処理し、各テーブルに対して文字列オブジェクトを作成し、PdfTable.GetText(int: row index, int column index)メソッドを使用してテーブルデータを取得し、文字列に追加します。
6. 各テーブルをテキストファイルとして保存します。
7. リソースを解放します。

コード例

from spire.pdf import *
from spire.pdf.common import *

# PdfDocumentクラスのインスタンスを作成します
pdf = PdfDocument()

# PDFファイルを読み込みます
pdf.LoadFromFile("サンプル.pdf")

# リストを作成します
table_data_list = []

# PdfTableExtractorオブジェクトを作成します
extractor = PdfTableExtractor(pdf)

# ドキュメントの各ページを処理します
for pageIndex in range(pdf.Pages.Count):
    # ページからテーブルを抽出します
    table_list = extractor.ExtractTable(pageIndex)

    # テーブルリストが空でないか確認します
    if table_list is not None and len(table_list) > 0:
        # リスト内の各テーブルに対して処理を行います
        for table in table_list:
            table_data = ''
            # 行数と列数を取得します
            row = table.GetRowCount()
            column = table.GetColumnCount()

            # テーブルの行と列を処理します
            for i in range(row):
                for j in range(column):
                    # セルからテキストを取得します
                    text = table.GetText(i, j)

                    # テキストをリストに追加します
                    table_data += text + " "
                table_data += "\n"
            table_data_list.append(table_data)

# 各テーブルをtxtファイルとして保存します
for i in range(len(table_data_list)):
    file_name = "output/Tables/ExtractedPDFTables{0}.txt".format(i)
    with open(file_name, "w") as f:
        f.writelines(table_data_list[i])

# リソースを解放します
pdf.Close()

サンプルファイル

抽出されたテーブル

PDFドキュメントからテーブルを抽出し、CSVファイルに保存する

テーブルデータを抽出する際に、Spire.XLS for Pythonライブラリ（pip install Spire.XLS）を組み合わせて、テーブルデータを直接Excelファイルに書き込むことができます。以下は手順です：

1. 必要なモジュールをインポートします。
2. PdfDocumentクラスのインスタンスを作成します。
3. PdfDocument.LoadFromFile()メソッドを使用してサンプルPDFドキュメントをロードします。
4. Workbookクラスのインスタンスを作成し、デフォルトのワークシートをクリアします。
5. PDFドキュメントのページを反復処理します。
6. PdfTableExtractor.ExtractTable()メソッドを使用してテーブルをページから抽出します。
7. 抽出したテーブルを反復処理します。
8. 各テーブルに対して、Workbook.Worksheets.Add()メソッドを使用してワークブックにワークシートを追加します。
9. PdfTable.GetText()メソッドを使用してセルのテキストを取得します。
10. Worksheet.Range[rowIndex, columnIndex].Valueプロパティを使用してテキストを特定のセルに書き込みます。
11. Workbook.SaveToFile()メソッドを使用して結果のワークブックをExcelファイルとして保存します。
12. リソースを解放します。

コード例

from spire.pdf import *
from spire.xls import *

# PdfDocumentオブジェクトを作成します
doc = PdfDocument()

# サンプルPDFファイルを読み込みます
doc.LoadFromFile("サンプル.pdf")

# Workbookオブジェクトを作成します
workbook = Workbook()

# デフォルトのワークシートをクリアします
workbook.Worksheets.Clear()

# PdfTableExtractorオブジェクトを作成します
extractor = PdfTableExtractor(doc)

sheetNumber = 1

# ページをループします
for pageIndex in range(doc.Pages.Count):
    # 特定のページからテーブルを抽出します
    tableList = extractor.ExtractTable(pageIndex)

    # テーブルリストが空でないか確認します
    if tableList is not None and len(tableList) > 0:
        # リスト内の各テーブルに対して処理を行います
        for table in tableList:
            # ワークシートを追加します
            sheet = workbook.Worksheets.Add(f"sheet{sheetNumber}")

            # テーブルの行数と列数を取得します
            row = table.GetRowCount()
            column = table.GetColumnCount()

            # 行と列を処理します
            for i in range(row):
                for j in range(column):
                    # 特定のセルからテキストを取得します
                    text = table.GetText(i, j)

                    # テキストを指定のセルに書き込みます
                    sheet.Range[i + 1, j + 1].Value = text

            # 列幅を自動調整します
            sheet.AllocatedRange.AutoFitColumns()

            sheetNumber += 1

# ファイルに保存します
workbook.SaveToFile("output/Tables/PDFテーブルをExcelファイルに保存.xlsx", ExcelVersion.Version2013)
doc.Dispose()
workbook.Dispose()

抽出されたテーブル

本記事では、Pythonを使用してPDFドキュメントからテーブルデータを抽出し、テキストファイルまたはExcelファイルに保存する方法を示しました。

より詳しいPDFドキュメントの操作技術については、Spire.PDF for Pythonチュートリアルをご覧ください。