Pythonは、データ抽出やデータ分析において非常に強力なツールです。無料で強力なツールなのでどんどん使い倒しましょう。
今回はPDFからの表データを抽出してCSVファイルやエクセルファイルを作成する方法をコードと一緒に紹介します。
Pythonの必要なライブラリ
PythonでPDFからデータを抽出するライブラリは以下のものを使用します
- tabula-py: PDF内の表を読み込むためのライブラリ
- pandas: データの操作や分析を行うためのライブラリ
これらをインストールするには、以下のコマンドを実行します：
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
Java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 -versionJavaの環境変数PATHの設定
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
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)
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を使用してPDFファイルから表データを効率的に抽出する方法を紹介しました
