pdf-processing-pro

PDF Processing Pro

事前構築済みスクリプト、包括的なエラー処理、複雑なワークフローのサポートを備えた、本番環境対応の PDF 処理ツールキットです。

クイックスタート

PDF からテキストを抽出

import pdfplumber

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

PDF フォームを分析（付属スクリプトを使用）

python scripts/analyze_form.py input.pdf --output fields.json
# Returns: JSON with all form fields, types, and positions

検証付きで PDF フォームに入力

python scripts/fill_form.py input.pdf data.json output.pdf
# Validates all fields before filling, includes error reporting

PDF から表を抽出

python scripts/extract_tables.py report.pdf --output tables.csv
# Extracts all tables with automatic column detection

機能

✅ 本番環境対応のスクリプト

すべてのスクリプトには以下が含まれます。

• エラー処理: 詳細なエラーメッセージを伴う安全な失敗処理
• 検証: 入力の検証と型チェック
• ロギング: タイムスタンプ付きの設定可能なロギング
• 型ヒント: IDE サポートのための完全な型注釈
• CLI インターフェース: すべてのスクリプトで --help フラグを利用可能
• 終了コード: 自動化に対応した適切な終了コード

✅ 包括的なワークフロー

• PDF フォーム: 完全なフォーム処理パイプライン
• 表の抽出: 高度な表の検出と抽出
• OCR 処理: スキャンされた PDF からのテキスト抽出
• バッチ処理: 複数の PDF を効率的に処理
• 検証: 処理前および処理後の検証

応用トピック

PDF フォーム処理

以下を含む完全なフォームワークフローについては、こちらをご覧ください。

• フィールドの分析と検出
• 動的なフォーム入力
• 検証ルール
• 複数ページのフォーム
• チェックボックスとラジオボタンの処理

FORMS.md を参照してください

表の抽出

複雑な表の抽出については、こちらをご覧ください。

• 複数ページにまたがる表
• セルの結合
• ネストされた表
• カスタムの表検出
• CSV/Excel への書き出し

TABLES.md を参照してください

OCR 処理

スキャンされた PDF および画像ベースのドキュメントについては、こちらをご覧ください。

• Tesseract との統合
• 言語サポート
• 画像の前処理
• 信頼度スコアリング
• バッチ OCR

OCR.md を参照してください

付属スクリプト

フォーム処理

analyze_form.py - フォームのフィールド情報を抽出

python scripts/analyze_form.py input.pdf [--output fields.json] [--verbose]

fill_form.py - データを使用して PDF フォームに入力

python scripts/fill_form.py input.pdf data.json output.pdf [--validate]

validate_form.py - 入力前にフォームデータを検証

python scripts/validate_form.py data.json schema.json

表の抽出

extract_tables.py - 表を CSV/Excel に抽出

python scripts/extract_tables.py input.pdf [--output tables.csv] [--format csv|excel]

テキスト抽出

extract_text.py - 書式を保持したままテキストを抽出

python scripts/extract_text.py input.pdf [--output text.txt] [--preserve-formatting]

ユーティリティ

merge_pdfs.py - 複数の PDF を結合

python scripts/merge_pdfs.py file1.pdf file2.pdf file3.pdf --output merged.pdf

split_pdf.py - PDF を個別のページに分割

python scripts/split_pdf.py input.pdf --output-dir pages/

validate_pdf.py - PDF の整合性を検証

python scripts/validate_pdf.py input.pdf

一般的なワークフロー

ワークフロー 1: フォーム送信の処理

# 1. Analyze form structure
python scripts/analyze_form.py template.pdf --output schema.json

# 2. Validate submission data
python scripts/validate_form.py submission.json schema.json

# 3. Fill form
python scripts/fill_form.py template.pdf submission.json completed.pdf

# 4. Validate output
python scripts/validate_pdf.py completed.pdf

ワークフロー 2: レポートからのデータ抽出

# 1. Extract tables
python scripts/extract_tables.py monthly_report.pdf --output data.csv

# 2. Extract text for analysis
python scripts/extract_text.py monthly_report.pdf --output report.txt

ワークフロー 3: バッチ処理

import glob
from pathlib import Path
import subprocess

# Process all PDFs in directory
for pdf_file in glob.glob("invoices/*.pdf"):
    output_file = Path("processed") / Path(pdf_file).name

    result = subprocess.run([
        "python", "scripts/extract_text.py",
        pdf_file,
        "--output", str(output_file)
    ], capture_output=True)

    if result.returncode == 0:
        print(f"✓ Processed: {pdf_file}")
    else:
        print(f"✗ Failed: {pdf_file} - {result.stderr}")

エラー処理

すべてのスクリプトは一貫したエラーパターンに従います。

# Exit codes
# 0 - Success
# 1 - File not found
# 2 - Invalid input
# 3 - Processing error
# 4 - Validation error

# Example usage in automation
result = subprocess.run(["python", "scripts/fill_form.py", ...])

if result.returncode == 0:
    print("Success")
elif result.returncode == 4:
    print("Validation failed - check input data")
else:
    print(f"Error occurred: {result.returncode}")

依存関係

すべてのスクリプトには以下が必要です。

pip install pdfplumber pypdf pillow pytesseract pandas

OCR を使用する場合のオプションの依存関係:

# Install tesseract-ocr system package
# macOS: brew install tesseract
# Ubuntu: apt-get install tesseract-ocr
# Windows: Download from GitHub releases

パフォーマンスのヒント

• 複数の PDF には バッチ処理を使用してください
• 対応している場合は、--parallel フラグで マルチプロセシングを有効化してください
• 再処理を避けるため、抽出済みデータをキャッシュしてください
• 早期に失敗させるため、入力を早い段階で検証してください
• 大きな PDF（50MB 超）には ストリーミングを使用してください

ベストプラクティス

1. 処理前に 必ず入力を検証してください
2. カスタムスクリプトでは try-except を使用してください
3. デバッグのため、すべての操作をログに記録してください
4. 本番環境で使用する前に、サンプル PDF でテストしてください
5. 長時間実行される操作には タイムアウトを設定してください
6. 自動化では 終了コードを確認してください
7. 変更前に 元のファイルをバックアップしてください

トラブルシューティング

よくある問題

「Module not found」エラー:

pip install -r requirements.txt

Tesseract が見つからない:

# Install tesseract system package (see Dependencies)

大きな PDF でのメモリエラー:

# Process page by page instead of loading entire PDF
with pdfplumber.open("large.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        # Process page immediately

権限エラー:

chmod +x scripts/*.py

ヘルプの参照先

すべてのスクリプトは --help に対応しています。

python scripts/analyze_form.py --help
python scripts/extract_tables.py --help

特定のトピックの詳細なドキュメントについては、以下を参照してください。

• FORMS.md - フォーム処理の完全ガイド
• TABLES.md - 高度な表の抽出
• OCR.md - スキャンされた PDF の処理