PDFから表を抽出し、DataFrameやMarkDown形式に加工する。

はじめに

PDF内の表データを取り出して、pandasで解析したりMarkDown形式でできないか調べてみた。pymupdfというPythonライブラリ使う。
その他PythonでPDF処理できる内容については、別記事でまとめているので👇を参照。

目次

• ライブラリ：pymupdf
• 使い方
• 用途

ライブラリ：pymupdf

pip install pymupdfでライブラリを入手。このライブラリのfind_table()を使う。参考にしたサイトは下記。ドキュメントから表の内容を抽出する方法 / Page.find_tables()。

戻る

使い方

PDFファイルを読み出して、ページ数、テーブル番号を指定すると、配列、DataFrame、MarkDownの形式に出力することができる。

コマンド	内容
pdf = pymupdf.open('ファイル名')	PDFファイルを読み出し
tables=pdf[page]find_tables().tables	指定したpageにテーブルがあればオブジェクトを出力する
tables[table].extract()	指定したtableを配列形式で出力する。
tables[table].to_pandas()	指定したtableをPandasのDataFrame形式で出力する。
tables[table].to_markdown()	指定したtableをMarkDown形式で出力する。

import pymupdf 

pdf_file = input('PDFファイル名：')
pdf = pymupdf.open(pdf_file)

for page in pdf:
	#表情報を確認
	tables = page.find_tables().tables
	
	#表があれば
	if(tables):
		print(f'{page=}/{len(tables)=}')
		for table in tables:
			# DataFrame形式
			print(table.to_pandas())
			# MarkDown形式
			print(table.to_markdown())
			# 配列形式
			print(table.extract())

戻る

用途

例えば各企業のIR情報などはPDFで配信されているので、その表から情報を取得したり、下記のような統計サイトのPDF情報からデータを抽出するときに便利と思う。

戻る