table-extractor

表抽出ツール

PDF や画像から表を抽出し、構造化データ形式に変換します。

機能

• PDF の表：デジタル PDF から表を抽出します
• 画像の表：画像から OCR ベースで抽出します
• 複数の表：ドキュメント内のすべての表を抽出します
• 形式のエクスポート：CSV、Excel、JSON 形式で出力します
• 表の検出：表の境界を自動検出します
• 列の配置：列をスマートに検出します
• 複数ページ：PDF ドキュメント全体を処理します

クイックスタート

from table_extractor import TableExtractor

extractor = TableExtractor()

# Extract from PDF
extractor.load_pdf("document.pdf")
tables = extractor.extract_all()

# Save first table to CSV
tables[0].to_csv("table.csv")

# Extract from image
extractor.load_image("scanned_table.png")
table = extractor.extract_table()
print(table)

CLI の使用方法

# Extract from PDF
python table_extractor.py --input document.pdf --output tables/

# Extract specific pages
python table_extractor.py --input document.pdf --pages 1-3 --output tables/

# Extract from image
python table_extractor.py --input scan.png --output table.csv

# Export to Excel
python table_extractor.py --input document.pdf --format xlsx --output tables.xlsx

# With OCR for scanned PDFs
python table_extractor.py --input scanned.pdf --ocr --output tables/

API リファレンス

TableExtractor クラス

class TableExtractor:
    def __init__(self)

    # Loading
    def load_pdf(self, filepath: str, pages: List[int] = None) -> 'TableExtractor'
    def load_image(self, filepath: str) -> 'TableExtractor'

    # Extraction
    def extract_table(self, page: int = 0) -> pd.DataFrame
    def extract_all(self) -> List[pd.DataFrame]
    def extract_page(self, page: int) -> List[pd.DataFrame]

    # Detection
    def detect_tables(self, page: int = 0) -> List[Dict]
    def get_table_count(self) -> int

    # Configuration
    def set_ocr(self, enabled: bool = True, lang: str = "eng") -> 'TableExtractor'
    def set_column_detection(self, mode: str = "auto") -> 'TableExtractor'

    # Export
    def to_csv(self, tables: List, output_dir: str) -> List[str]
    def to_excel(self, tables: List, output: str) -> str
    def to_json(self, tables: List, output: str) -> str

対応形式

入力

• PDF ドキュメント（テキストベースおよびスキャン済み）
• 画像：PNG、JPEG、TIFF、BMP
• 表を含むスクリーンショット

出力

• CSV（表ごとに 1 ファイル）
• Excel（複数のシート）
• JSON（表の配列）
• Pandas DataFrame

表の検出

# Detect tables without extracting
tables_info = extractor.detect_tables(page=0)
# Returns:
# [
#     {"index": 0, "rows": 10, "cols": 5, "bbox": (x1, y1, x2, y2)},
#     {"index": 1, "rows": 8, "cols": 3, "bbox": (x1, y1, x2, y2)}
# ]

ワークフローの例

PDF レポートの表

extractor = TableExtractor()
extractor.load_pdf("quarterly_report.pdf")

# Extract all tables
tables = extractor.extract_all()

# Export each to CSV
for i, table in enumerate(tables):
    table.to_csv(f"table_{i}.csv", index=False)

スキャン済みドキュメント

extractor = TableExtractor()
extractor.set_ocr(enabled=True, lang="eng")
extractor.load_image("scanned_form.png")

table = extractor.extract_table()
print(table)

依存関係

• pdfplumber>=0.10.0
• pillow>=10.0.0
• pandas>=2.0.0
• pytesseract>=0.3.10（OCR 用）
• opencv-python>=4.8.0