RubyでPDFをCSVライクにパースする

Rubyを使ってPDFをCSVっぽくパースする方法を整理します。

pdf-reader

利用するgemは pdf-reader です。

以下のコマンドでインストールします。

gem install pdf-reader

pdf-reader の使い方は、Github上の README.md を参照してください。

実装例

実装例のソースコードは次のとおりです。（Githubはこちら）

parser.rb

require 'pdf-reader'

File.open('example.pdf', 'rb') do |io|
  reader = PDF::Reader.new(io)
  pages = []

  # Parsing PDF
  reader.pages.each do |page|
    rows = []
    # Separating a whole text
    t = page.text.split("\n")

    t.each do |s|
      # Formatting
      ary = s.split("\s\s")
      ary.delete_if { |str| str.nil? || str.empty? }
      ary.each(&:strip!)
      next if ary.empty?

      rows << ary
    end
    pages << rows
  end

  # Showing parsed data
  pages.each do |page|
    page.each { |rows| p rows }
  end
end

ポイント

• pdf-reader の page.text メソッドにより、「PDF→テキスト(塊)」に変換できます。
• 「改行」で split して「テキスト(塊)→１行ごと」に切り分けます。
• さらに「空白２文字」で split して「１行ごと→項目ごと」に切り分けます。

パース結果

パースした結果をコンソールに出力してみます。

ruby parser.rb

["Invoice"]
["DATE: [Enter date]"]
["INVOICE Invoice Number"]
["FROM:", "[Company Name]", "TO:", "[Client Name]"]
["[Email]", "[Client Email Address"]
["[Address 1]il Address", "[Address 1]"]
["[Address 2]", "[Address 2]ress 1"]
["[Phone]s 2", "[Phone] Address 2"]
["TERMS: T[Payment Terms]"]
["DUE:", "Due Datet Due Date]"]
["Item Description", "Quantity", "Price", "Amount"]
["Item1", "1.00"]
["$ 10.00", "$ 10.00"]
["Item2", "2.00"]
["$ 10.00", "$ 20.00"]
["Item3"]
["1.00", "$ 20.00", "$ 20.00"]
["Item4", "5.00"]
["$ 5.00", "$ 25.00"]
["Item5", "1.00"]
["$ 8.00", "$ 8.00"]
["$ 0.00"]
["$ 0.00"]
["$ 0.00"]
["$ 0.00"]
["$ 0.00"]
["Subtotal", "$ 83.00"]
["Tax"]
["BALANCE DUE", "$ 83.00"]
["Notes"]
["EClick here to add notes or terms of service.here"]

所どころ、行落ちしてしまっている部分がありますが、概ねCSVライクにパースできています。