📄「PDFに表があるけど、Excelに取り出せない…」
📊「スクレイピングじゃ対応できないPDFデータを処理したい」
💡「Pythonで自動化できないかな？」
そんな方に向けて、この記事ではPythonでPDF内の表を抽出し、CSVやExcel形式で保存する方法をわかりやすく解説します。
✅ この方法でできること
- PDF内の表を自動で読み込み→表形式のデータ抽出
- データをそのままCSVやExcelとして出力
- 特定ページだけ、複数テーブル、複雑な表構造にも対応！
Pythonの使用ライブラリと環境
| ライブラリ | 用途 |
|---|---|
tabula-py | PDFから表を読み込む |
pandas | 表形式でデータ操作 |
JPype1 | JavaとPythonの橋渡し |
Javaが必要です！
Tabulaの内部処理はJavaで動いているため、Pythonから利用するにはJavaがインストールされている必要があります。
🛠 事前準備：環境構築
① ライブラリのインストール
bash
pip install tabula-py pandas
なお、Google collaboratorでははじめからインストールされていて環境が整っているので、こちらを使う方法もオススメです
②Javaのインストール
Java Downloads for All Operating Systems
OS毎（Windows,Mac, Linux）にダウンロード可能ですが、Windows環境ではWindows Offline(64bit)をダウンロードしてインストールします
インストールの確認
コマンドプロンプトやターミナルで以下のコマンドを実行します、インストールされていればバージョン情報が表示されます
java -version③ 環境変数PATHの設定（Windows）
Javaを実行できるように実行可能ファイル(java.exe)が環境変数PATHに含まれるように設定します。いわゆる、PATHを通すということです。
環境変数の設定方法:
- Windowsの場合、コントロールパネルの「システム」→「システムの詳細設定」→「環境変数」でPATHを編集できます。Javaがインストールされているディレクトリ（通常は「C:\Program Files\Java\jdk[バージョン]\bin」）をPATHに追加してください。
- macOS/Linuxの場合、ターミナルで
.bashrcや.bash_profile（または使用しているシェルに応じた設定ファイル）を編集し、export PATH=$PATH:/path/to/java/binの形式でJavaのパスを追加します。
コンピュータを再起動することで設定変更が反映されるようになります
📥 実行コード：PDFから表を読み込んでCSVに保存
import tabula
import pandas as pd
# PDFファイルのパス
file_path = "example.pdf"
# 表の読み込み（複数ページ、複数テーブル対応）
tables = tabula.read_pdf(file_path, pages="all", multiple_tables=True)
# CSVとして保存
for i, table in enumerate(tables):
table.to_csv(f"table_{i}.csv", index=False)
🔁 ポイント：
multiple_tables=Trueで1ページに複数の表があるPDFにも対応pages='1,3'などで指定ページのみ抽出も可能
JPypeのインストール
上記でJavaのインストールと実行が可能ですが依存関係のエラーがでることがありサブプロセスを使用することがありました
Error importing jpype dependencies. Fallback to subprocess. No module named 'jpype
JavaプログラムをPythonから直接呼び出して実行することを可能とするライブラリJPypeを利用します
pip install JPype1PDFファイルからの表データの抽出
以下のステップに従って、PDFから表データを抽出します：
ステップ1: 必要なライブラリのインポート
まず、必要なライブラリをインポートします。
python
import tabula import pandas as pd
ステップ2: PDFファイルの読み込み
Tabulaを使用してPDFファイルを読み込み、表データを取得します。例えば、example.pdfというファイルからデータを抽出する場合、以下のコードを使用します：
python
file_path = 'example.pdf' tables = tabula.read_pdf(file_path, pages='all', multiple_tables=True)
このコードは、PDFファイルのすべてのページから複数の表を読み込みます。
ステップ3: データの操作と保存
読み込んだ表データはPandasのDataFrame形式で返されます。これにより、データの操作や分析が容易になります。以下はデータをCSVファイルに保存する例です：
python
for i, table in enumerate(tables): table.to_csv(f'table_{i}.csv', index=False)
エラーメッセージの対処法
Error importing jpype dependencies. Fallback to subprocess.というエラーが出る場合は、JPype1のインストールを確認し、再インストールを試みてください。
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
まとめ
PythonとTabula-py、Pandasを使えば、PDFから表データを効率的に抽出し、CSVやExcelファイルとして保存できます。この記事を参考にして、データ抽出のプロセスを簡単に進めましょう。
