PDF Processing

PDF処理

クイックスタート

pdfplumber を使用して PDF からテキストを抽出します:

import pdfplumber

with pdfplumber.open("document.pdf") as pdf:
    text = pdf.pages[0].extract_text()
    print(text)

表の抽出

自動検出機能を使用して PDF から表を抽出します:

import pdfplumber

with pdfplumber.open("report.pdf") as pdf:
    page = pdf.pages[0]
    tables = page.extract_tables()

    for table in tables:
        for row in table:
            print(row)

すべてのページの抽出

複数ページのドキュメントを効率的に処理します:

import pdfplumber

with pdfplumber.open("document.pdf") as pdf:
    full_text = ""
    for page in pdf.pages:
        full_text += page.extract_text() + "\n\n"

    print(full_text)

フォーム入力

PDF フォーム入力については、フィールドの分析と検証を含む完全なガイドである FORMS.md を参照してください。

PDF の結合

複数の PDF ファイルを結合します:

from pypdf import PdfMerger

merger = PdfMerger()

for pdf in ["file1.pdf", "file2.pdf", "file3.pdf"]:
    merger.append(pdf)

merger.write("merged.pdf")
merger.close()

PDF の分割

特定のページや範囲を抽出します:

from pypdf import PdfReader, PdfWriter

reader = PdfReader("input.pdf")
writer = PdfWriter()

# Extract pages 2-5
for page_num in range(1, 5):
    writer.add_page(reader.pages[page_num])

with open("output.pdf", "wb") as output:
    writer.write(output)

利用可能なパッケージ

• pdfplumber - テキストと表の抽出(推奨)
• pypdf - PDF の操作、結合、分割
• pdf2image - PDF を画像に変換(poppler が必要)
• pytesseract - スキャンされた PDF 向けの OCR(tesseract が必要)

よくあるパターン

テキストを抽出して保存:

import pdfplumber

with pdfplumber.open("input.pdf") as pdf:
    text = "\n\n".join(page.extract_text() for page in pdf.pages)

with open("output.txt", "w") as f:
    f.write(text)

表を CSV に抽出:

import pdfplumber
import csv

with pdfplumber.open("tables.pdf") as pdf:
    tables = pdf.pages[0].extract_tables()

    with open("output.csv", "w", newline="") as f:
        writer = csv.writer(f)
        for table in tables:
            writer.writerows(table)

エラー処理

PDF でよくある問題に対処します:

import pdfplumber

try:
    with pdfplumber.open("document.pdf") as pdf:
        if len(pdf.pages) == 0:
            print("PDF has no pages")
        else:
            text = pdf.pages[0].extract_text()
            if text is None or text.strip() == "":
                print("Page contains no extractable text (might be scanned)")
            else:
                print(text)
except Exception as e:
    print(f"Error processing PDF: {e}")

パフォーマンスのヒント

• 大きな PDF はページをバッチ単位で処理する
• 複数のファイルには multiprocessing を使用する
• ドキュメント全体ではなく、必要なページだけを抽出する
• 使用後は PDF オブジェクトを閉じる