【自動化】PDF内の表をPythonで抜き出す - Qiita

PDFは扱いにくい PDFファイルをPythonで扱うのは大変です。 表がPDFの中に埋め込まれているケースも割とあります。 例えば 平成30年 全衛連ストレスチェックサービス実施結果報告書の中にはたくさんの表データが埋め込まれています。 例えばファイルの40ページの【表14 業種別高ストレス者の割合】を抜き出したいと思ったとします。 この表を選択して、Excelにコピペしてみましょう。 コピーして、Excelに貼り付けます。 おや？うまくいかないですね。 1つのセルの中に、全部のデータが羅列されてしまっています。 実はPythonを使ってこのPDF中の表を比較的簡単にcsvやExcelに変換することができます。 PythonでPDFの表をcsvに PythonでPDF内の表(テーブル)をcsvやexcelに変換する手順は2ステップです。 ステップ1. PDFから表をpandasのData

[ykore52]

PDFは位置情報とテキストデータを持ってるオブジェクトが個別にgzip圧縮されてるだけなのでpythonでのパースは意外と簡単だった。内部構造を知れば1文字ごとにオブジェクトになってるような凶悪なPDFにも対応できる

[magi00]

ExcelはPDFを変換して直接開く機能ないけど実はWordにはあるので、WordでPDFを開いてWordに変換しWordからExcelにコピペというのは可能。

[kijtra]

国のデータとかは見た目はテーブルだけど各セルが独立してて順番がめちゃくちゃだったりするからパース不可能なんだよね。

[t-murachi]

tabulaというのを試したことはないが (pdfminer.sixならある)、基本的に文書構造という概念はなく、ファイルによってオブジェクト構造が違ったり、データの出現順序も直感と異なっていたりするので、そもPDFが滅べとしか('A`)

[mujou03]

Excelでくれっていっても送ってくれない会社からの請求書がPDFで送られてくるのを処理するのによさそう

[tk_musik]

PDFの表切り出しとか簡単やろと思ったら座標から表だと思われるものと算出せんといかんと知って辛さを感じた思い出。頑張ってサイゼとかのアレルギー表をweb上でフィルタできるようにしたわ。

[ys0000]

毎度おなじみApache Tikaかと思ったら“tabula”知らんかった。どういう仕組みなんだろ。githubでファイルだけパラっとみたらjavaとrubyを使ってるようだ。

[sumakaigan]

パンダスって見ると「笹食ってる場合じゃねー」をいつも思い出すw

[jitojito]

素直なPDFならいいけど、謎メーカーで作られたカオスなPDFとかあるから魔境。

[pechiyon]

割とガチで困っているようなスキャンしたpdfファイルは厳しそう。

[shintaroooo_py]

ぼんやりとスクレイピングの勝手が分かってきた。まずはヤフオクのようなEC系サイトを自在にスクレイピング出来るように実践式で練習しようと思います。その後、企業の財務諸表を分析しやすいようにpdfデータをCSVファ

[inoueyuworks]

tabula-py というライブラリは、 pdf から表を DataFrame として読み込むことができる。

[kenjiro_n]

パスワード付きの文書もできるんだろうか。

[nmcli]

AcrobatにOCRさせた表まで取り込めたら自分のやってる作業が少し楽になるなあ

[yoshi-na]

加工処理したいけど中身が全部画像なPDFだった時の悲しさよ

[kkobayashi]

PDFからHTMLなりXMLなりに変換してからツールをかました方が選択肢が増えそう

[privates]

word経由で表をexcelに取り出せるのは知ってた。こうやってMicrosoftが作った資本主義を崩して行かなければ。

[lifeisadog]

pdfはドキュメントとレイアウトが分離してないのが辛いところ。pdfの代わりに印刷用のCSSとHTMLのバンドルファイルが標準フォーマットになってくれていれば機械処理がすごく簡単だったのに

[Mash]

普通じゃないevilな表の様な何が多くて悲しい

[blueboy]

うまい方法がある。PDF を HTML に変換してから、HTML の表を Word に貼りつけて、その列データを表に変換すればいい。ネットで公開されているデータなら、Google のキャッシュが HTML なので簡単だ。検証済み。所要時間３分。

[Pucchi]

無償Adobe Acrobatでもコピペでいい感じにできることが多い/大量にあるならPython等使って自動化がよい

[wildhog]

こんな技があるのか！

[call_me_nots]

“pdfの表をDataFrameとして抜き出すために、tabulaというモジュールを使います”

[zgmf-x20a]

PDFって上から書かれてると決まっているのだろうか？もし、そこまで対応できてるのなら凄いと思う。

[syunnchang]

元ファイルがExcelかWordなら復元できるけどね(有償Acrobat)

[knok]

完全な方法はないよね

[John_Kawanishi]

“PythonでPDF内の表(テーブル)をcsvやexcelに変換する手順は2ステップです。 ステップ1. PDFから表をpandasのDataFrameとして抜き出す ステップ2. DataFrameをcsvやexcelとして書き込む”

[ymm1x]

“tabula”

[tohokuaiki]

pdf2textだと全くダメだったんどけど、これならいけるのかな？