Python : PDF表のExcel化、メモ

Python : PDF表のExcel化、メモ

---

install tabula-py

PDFファイルから表を読み取るためには、テキストベースのPDFファイルからテキストを抽出するのではなく、表の構造を解析してデータを抽出する必要があります。これにはtabula-pyなどの専用ライブラリが有効です。

!pip install tabula-py
!pip install JPype1

Javaのインストール

• jdk-21
  
  https://www.oracle.com/jp/java/technologies/downloads/

jre-1.8 インストール

• jre-1.8
  
  https://www.java.com/en/download/manual.jsp

jdk-21だけで良いかもだけど、備忘録で記載

環境変数

C:\Program Files\Java\jdk-21\bin は、Java Development Kit (JDK) のバージョン21がインストールされた場所を示しています。このパスには、Javaの実行ファイルや開発ツールが含まれており、これをシステムの環境変数に追加する必要があります。

環境変数にこのパスを追加する手順は以下の通りです：

1. コントロールパネルを開く：スタートメニューから「コントロールパネル」を開きます。

2. システムとセキュリティに移動：コントロールパネルで「システムとセキュリティ」を選択します。

3. システムを開く：「システム」をクリックします。

4. システムの詳細設定を開く：左側のメニューから「システムの詳細設定」を選びます。

5. 環境変数を開く：「詳細」タブの「環境変数」ボタンをクリックします。

6. PATH環境変数を編集：

   • 「システム環境変数」セクションで「Path」を見つけて選択し、「編集」をクリックします。
   • 「新規」ボタンをクリックし、C:\Program Files\Java\jdk-21\bin を入力して「OK」をクリックします。

7. 全てのウィンドウを閉じて変更を保存：すべてのウィンドウで「OK」をクリックして閉じ、変更を保存します。

これでJDKのbinディレクトリが環境変数に追加されました。変更を有効にするために、コンピュータを再起動してください。再起動後、コマンドプロンプトでjava -versionを実行して、Javaが正しくインストールされていることを確認してください。

Pythonコード

import tabula
import pandas as pd
import tkinter as tk
from tkinter import filedialog

def pdf_to_excel_tabula():
    # ファイル選択ダイアログを開く
    root = tk.Tk()
    root.withdraw()
    file_path = filedialog.askopenfilename(filetypes=[("PDF Files", "*.pdf")])

    if not file_path:
        return

    # PDFファイルから表を読み取る
    dfs = tabula.read_pdf(file_path, pages='all', multiple_tables=True)

    # 読み取った表を一つのExcelファイルに保存する
    with pd.ExcelWriter(file_path.replace('.pdf', '.xlsx')) as writer:
        for i, df in enumerate(dfs):
            df.to_excel(writer, sheet_name=f'Sheet{i+1}', index=False)

    print(f"Excelファイルが保存されました: {file_path.replace('.pdf', '.xlsx')}")

pdf_to_excel_tabula()