pdf

PDF文書処理エキスパート Real Skill

一言で説明

テキストや表の抽出、PDF の作成、文書操作、フォーム入力に対応した、包括的な PDF 文書処理ツールです。

PDF Processing Guide - テキストや表の抽出、新しい PDF の作成、文書の結合・分割、フォームの処理に対応した包括的な PDF 操作ツールキットです。

---

使用シーン

適しています：

• PDF からテキストや表データを抽出し、Excel にエクスポートする
• 新しい PDF 文書（レポート、証明書、請求書）を作成する
• PDF 文書を結合、分割、回転する
• PDF フォーム（政府機関のフォーム、申請書）に入力する
• 複数の PDF ファイルを一括処理する

適していません：

• スキャンされた PDF（先に OCR 処理が必要です）
• 複雑な PDF の編集（専用ソフトウェアを使用してください）

---

コアプロセス

用户需求 → 判断任务类型 → 选择工具 → 执行操作 → 验证输出
User request → Task type classification → Tool selection → Execute → Validate

タスクの種類を判断する（Task Classification）：

データの抽出（Extracting Data）

• テキスト抽出（Text extraction） → pdfplumber.extract_text()
  • テキスト抽出の精度は pypdf より高いです
• 表の抽出（Table extraction） → pdfplumber.extract_tables() + pandas
  • インテリジェントな表構造認識
  • Excel、CSV、JSON へのエクスポート

PDF の作成（Creating PDFs）

• シンプルな文書（Simple documents） → reportlab.pdfgen.canvas
  • テキストとグラフィックを使って文書をすばやく作成します
• 複雑なレイアウト（Complex layouts） → reportlab.platypus
  • 高度なスタイル設定を使用した段落、表、画像

PDF 操作（PDF Operations）

• 結合（Merge） → pypdf.PdfWriter
  • 複数の PDF を 1 つにまとめます
• 分割（Split） → pypdf.PdfWriter（各ページを個別に保存）
• 回転（Rotate） → page.rotate()
• メタデータ（Metadata） → pypdf.PdfReader.metadata / PdfWriter.add_metadata()

フォーム処理（Form Processing）

• フィールドの表示（View fields） → forms.md を参照してください
• フォームへの入力（Fill forms） → forms.md を参照してください
• 一括処理（Batch processing） → ループ + フォーム入力 API

---

タスク完了基準

必須条件（すべて満たす必要があります）：

• PDF ファイルが正常に開ける
• 抽出したデータが完全かつ正確である
• 表の構造が正しく保持されている（行と列が対応している）
• 作成した PDF の内容が明瞭で読みやすい

品質評価：

• ⭐⭐⭐⭐⭐ 優秀 - データが完全 + 書式が適切 + 自動一括処理
• ⭐⭐⭐ 合格 - データが正確 + PDF が使用可能
• ⭐ 失敗 - データが欠落、または PDF が破損

---

参考資料（AI 向け）

種類	パス	説明
コアドキュメント	docs/00-SKILL-完整处理指南.md	PDF 処理の包括的なガイド（約 300 行）
フォーム処理	docs/forms.md	PDF フォーム入力の詳細なチュートリアル
高度なリファレンス	docs/reference.md	JavaScript ライブラリと高度な機能

---

重要な原則（AI 必読 / Critical Principles）

1. 抽出には pdfplumber を優先する（Prefer pdfplumber for Extraction）

• テキスト抽出：pypdf より高精度です
• 表の認識：表の認識能力に優れています
• レイアウトの保持：レイアウト情報を保持します
• 複雑な PDF：複雑な PDF の処理に適しています

2. 表データの正規化（Table Data Normalization）

# Best practice for table extraction
import pdfplumber
import pandas as pd

all_tables = []
with pdfplumber.open("document.pdf") as pdf:
    for page in pdf.pages:
        tables = page.extract_tables()
        for table in tables:
            if table:  # Check not empty
                df = pd.DataFrame(table[1:], columns=table[0])  # First row as header
                all_tables.append(df)

# Combine and clean
combined = pd.concat(all_tables, ignore_index=True)
combined.to_excel("output.xlsx", index=False)

3. スキャンされた PDF には OCR が必要です（Scanned PDFs Require OCR）

• 判定：テキスト抽出の結果が空、または文字化けしている場合
• 処理：まず OCR ツール（Tesseract、Adobe Acrobat など）を使用する必要があります
• ユーザーへの通知：OCR による前処理が必要であることを、ユーザーにはっきりと伝えてください

4. 大容量ファイルのメモリ管理（Memory Management for Large Files）

• 複数の PDF は一括処理します
• 文書全体を読み込むのではなく、ページを順番に処理します
• 可能な場合はジェネレーターを使用します

---

クイックコマンドリファレンス（Quick Commands）

テキスト抽出（Text Extraction）

import pdfplumber

with pdfplumber.open("document.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        print(text)

表を Excel に変換（Table to Excel）

import pdfplumber
import pandas as pd

all_tables = []
with pdfplumber.open("document.pdf") as pdf:
    for page in pdf.pages:
        tables = page.extract_tables()
        for table in tables:
            if table:
                df = pd.DataFrame(table[1:], columns=table[0])
                all_tables.append(df)

combined = pd.concat(all_tables, ignore_index=True)
combined.to_excel("extracted_tables.xlsx", index=False)

PDF の結合（Merge PDFs）

from pypdf import PdfWriter, PdfReader

writer = PdfWriter()
for pdf_file in ["doc1.pdf", "doc2.pdf", "doc3.pdf"]:
    reader = PdfReader(pdf_file)
    for page in reader.pages:
        writer.add_page(page)

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

PDF の分割（Split PDF）

from pypdf import PdfReader, PdfWriter

reader = PdfReader("large_document.pdf")
for i, page in enumerate(reader.pages):
    writer = PdfWriter()
    writer.add_page(page)
    with open(f"page_{i+1}.pdf", "wb") as output:
        writer.write(output)

PDF の作成（Create PDF）

from reportlab.lib.pagesizes import letter
from reportlab.pdfgen import canvas

c = canvas.Canvas("hello.pdf", pagesize=letter)
width, height = letter
c.drawString(100, height - 100, "Hello World!")
c.save()

メタデータの抽出（Extract Metadata）

from pypdf import PdfReader

reader = PdfReader("document.pdf")
meta = reader.metadata
print(f"Title: {meta.title}")
print(f"Author: {meta.author}")
print(f"Pages: {len(reader.pages)}")

---

依存関係のインストール（Dependencies Installation）

Python の依存関係

pip install -r requirements.txt
# Includes: pypdf, pdfplumber, reportlab, pandas, openpyxl

---

よくあるシナリオの例（Common Scenarios）

シナリオ 1：請求書の表を一括抽出する（Batch Extract Invoice Tables）

import pdfplumber
import pandas as pd
import glob

all_data = []
for pdf_file in glob.glob("invoices/*.pdf"):
    with pdfplumber.open(pdf_file) as pdf:
        for page in pdf.pages:
            tables = page.extract_tables()
            for table in tables:
                if table:
                    df = pd.DataFrame(table[1:], columns=table[0])
                    df['source_file'] = pdf_file
                    all_data.append(df)

combined = pd.concat(all_data, ignore_index=True)
combined.to_excel("all_invoices.xlsx", index=False)

シナリオ 2：表付きのレポートを作成する（Create Report with Table）

from reportlab.lib.pagesizes import letter
from reportlab.platypus import SimpleDocTemplate, Table, TableStyle, Paragraph
from reportlab.lib.styles import getSampleStyleSheet

doc = SimpleDocTemplate("report.pdf", pagesize=letter)
styles = getSampleStyleSheet()
story = []

# Title
story.append(Paragraph("Sales Report", styles['Title']))

# Table
data = [
    ['Product', 'Q1', 'Q2', 'Q3', 'Q4'],
    ['Product A', '1000', '1200', '1100', '1300'],
    ['Product B', '800', '900', '950', '1000']
]
t = Table(data)
t.setStyle(TableStyle([
    ('BACKGROUND', (0, 0), (-1, 0), 'grey'),
    ('TEXTCOLOR', (0, 0), (-1, 0), 'white'),
    ('ALIGN', (0, 0), (-1, -1), 'CENTER'),
    ('GRID', (0, 0), (-1, -1), 1, 'black')
]))
story.append(t)

doc.build(story)