PythonでPDFから抽出したテキストをPDFのページごとに対応したExcelシートへ書き込む

前提条件

• Windows10
• Python3
• openpyxlライブラリ
• PyMuPDFライブラリ
• Tkinterライブラリ

サンプルのPDFファイルは下記のウィキペディアトップページをPDFとしてローカルに保存したものを使用します。
https://ja.wikipedia.org/wiki/%E3%83%A1%E3%82%A4%E3%83%B3%E3%83%9A%E3%83%BC%E3%82%B8

openpyxlライブラリの公式ドキュメントは以下です。
https://openpyxl.readthedocs.io/en/stable/

PyMuPDFライブラリの公式ドキュメントは以下です。
https://pymupdf.readthedocs.io/en/latest/

Tkinterライブラリの公式ドキュメントは以下です。
https://docs.python.org/ja/3/library/tkinter.html

目的

PyMuPDFライブラリを利用して、ローカルにあるPDFからテキストを抽出する。抽出したテキストはPDFのページごとにExcelのシートとしてopenpyxlライブラリを利用して書き込み、Excelファイルとして保存する。

環境構築

pip install openpyxl pymupdf  

サンプル

pdf2excelsheet.py

# -*- coding: utf-8 -*-

import fitz # pymupdfライブラリ
import openpyxl as px #openpyxlライブラリ
import os
from tkinter import filedialog #thinterライブラリ


typ = [('pdfファイル','*.pdf')] 
dir = './'
pdf = filedialog.askopenfilename(filetypes = typ, initialdir = dir)
doc = fitz.open(pdf)

# PDFテキストを格納するリスト
item_list = []

# PDFから1ページずつテキストを取得
for page in range(len(doc)):
    textblocks = doc[page].get_text('blocks')
    for textblock in textblocks:
        if textblock[4].isspace() == False:
            tmp = textblock[4].encode('shift_jis','ignore')
            text = tmp.decode('shift_jis')
            item_list.append([page,text])

# PDFファイルを閉じる                
doc.close()

# 新しいエクセルを作成
wb = px.Workbook()

# エクセルの1行目として使用
headers = ['No', 'ページ', '内容']

# シート作成用
i = 0
# シートごとの要素数
j = 0

# エクセルにPDFのテキストデータを出力
for y, row in enumerate(item_list):
    # PDFのページごとにエクセルシートを作成
    if item_list[y][0] == i:
        ws = wb.create_sheet(title = str(i))
        ws.column_dimensions['C'].width = 100
        j = y
        i = i + 1
        for k, header in enumerate(headers):
            ws.cell(row = 1, column = k+1, value = headers[k])
    ws.cell(row = y-j+2, column = 1, value = y-j+1)
    for x, cell in enumerate(row):
        ws.cell(row = y-j+2, column = x+2, value = item_list[y][x])

#　Sheet1の削除
wb.remove(wb.worksheets[0])
excel = os.path.splitext(pdf)[0] + '_page_excel.xlsx'
# エクセルファイルの保存
wb.save(excel)
# エクセルファイルを閉じる
wb.close()

参考資料

関連資料

きっかけ

ネットで探すと、Excelの1枚目のシートにPDFの内容を全て書き込む例は見つけたけれども、PDFのページとExcelのシートが1対1対応してる例が見つけられなかったので、このプログラムを書いてみた。
苦労したところはページごとの要素数を記録し、それを活用して2枚目以降のシートの2行目から抽出したデータを書き込むところでした。