【Python・tabula】PDFファイルから表テーブルテキストを抽出する方法

2022年7月23日

当ページには広告が含まれています。

こんにちは、DXCEL WAVEの運営者(@dxcelwave)です！

「PDFから指定のテーブル(表)データを抽出したい」という要件について、本記事ではPythonのtabulaライブラリとJava環境で実現する方法を解説します。

【Python】PDFファイルからテーブル情報抽出｜事前準備

PythonではtabulaというPDF内のテーブル情報を抽出できるモジュールがあります。今回はそれを用いてPDFからテーブルテキストを抽出します。

PDFファイルは、サンプルとしてこちらのPDFサンプルファイルを用います。ダウンロードして利用してみましょう。

Java

今回はpythonライブラリに加えてJavaの実行環境が必要となります。

Javaのインストールは（https://www.java.com/ja/download/help/download_options_ja.html）から実施できます。

tabula

PDFのテーブルテキストを抽出するためのPythonモジュールとして、tabulaモジュールも事前にインストールが必要です。コマンドラインから下記を実行し、インストールしておきましょう。

pip install tabula-py

【参考】PDFタスク自動化の学習におすすめの教材

Pythonを活用してPDFタスクの自動化手法を深く学びたい方向けに、おすすめの教材も併せてご紹介します。

【Python】PDFのテーブルテキスト取得

それでは実際にPythonを活用してプログラムを記述していきましょう！コード自体は非常にシンプルに記述できます。

import tabula

# PDFファイル
pdf_file = "sample.pdf" 

# テキストテーブル取得
df = tabula.read_pdf(pdf_file)

dfを出力すると、下記のような結果が得られます。

# 出力結果
# [   田中  90   78   67  21  256
#  0  佐藤  69   77   66  23  235
#  1  鈴木  99   70   54  46  269
#  2  山本  49   86   89  77  301
#  3  石田  59   40   82  86  267
#  4  太田  69   90   75  63  297
#  5  工藤  82  100  100  97  379]

引数

tabula.read_pdf()メソッドを利用する際、第二引数以降に下記を用いると、お好みの出力形式でテーブルテキストが取得できます。以下代表的なものを示します。

ひな型コード

import tabula

# PDFファイル
pdf_file = "sample.pdf" 

# テキストテーブル取得
df = tabula.read_pdf(pdf_file,       # PDFファイル
                     pages='all',    # 抽出ページ
                     guess=True,     # 分析部分の変更有無
                     area="entire",  # ページの部分指定
                     lattice=False,  # 格子区切りがPDF内にある場合の対応
                     stream=False,   # ストリームモード
                     password=None,  # パスワード
                    )

引数

スクロールできます

引数	概要	デフォルト値
pages	抽出するページを指定(1,2,3,all)	pages=1
guess	ページ毎に分析する部分を変更するかどうか(True/False)	guess=True
area	ページの分析部分指定(entire,top,left,right,bottom)	area=”entire”
lattice	Excelシートのように格子区切りがPDF内にある場合、それを強制抽出	lattice=False
stream	ストリームモードでPDFを強制抽出	stream=False
password	PDFが暗号化されている場合、パスワードを渡す	–