概要
PDFファイルからテーブルデータを抽出し、Excel形式に変換することは、多くのビジネスやデータ分析の現場で必要とされています。Pythonを使えば、これを簡単に実現することができます。本記事では、Pythonライブラリを使ってPDFからテーブルデータを抽出し、罫線付きのExcelファイルに変換する方法をご紹介します。
使用例
作成されたExcelファイルは、以下のような場面で活用できます：
- データ分析：抽出されたデータをExcelで編集し、グラフやピボットテーブルを作成する。
- レポート作成：定期的に更新されるPDFレポートからデータを抽出し、Excelで統合管理する。
- データマイグレーション：旧システムからのデータをPDF形式で受け取り、新システムにExcel形式で移行する。
必要なPythonライブラリとインストール方法
このプログラムを実行するためには、以下のPythonライブラリが必要です：
- PyMuPDF（fitz）
- camelot-py
- openpyxl
- tkinterdnd2
PyPDF2(2.10.5) ※3.0.0ではエラーが出ます。
これらのライブラリをインストールするためには、以下のコマンドを使用します：
pip install PyPDF2==2.10.5 camelot-py[cv] openpyxl tkinterdnd2 pymupdf使用手順
- 必要なライブラリをインストールします。ターミナルまたはコマンドプロンプトを開き、上記のコマンドを入力してインストールを行ってください。
- 下記のプログラムコードをコピーし、メモ帳などのテキストエディタに貼り付けます。その後、ファイル名を
pdf_to_excel.pyとして保存します。 pdf_to_excel.pyを実行します。ダブルクリックするか、ターミナルまたはコマンドプロンプトでpython pdf_to_excel.pyと入力して実行します。- GUIが表示されるので、PDFファイルをドラッグ＆ドロップするか、「Browse」ボタンを使用してPDFファイルを選択します。
- 出力先フォルダを指定し、「Convert」ボタンをクリックして変換を開始します。
- 変換が成功すると、指定したフォルダに罫線付きのExcelファイルが保存されます。
注意点
- 必要なライブラリのバージョン：指定されたバージョンのライブラリを使用してください。特に、PyPDF2のバージョン2.10.5を使用する必要があります。
- PDFの内容：PDF内のテーブルレイアウトが複雑な場合、正しく抽出できないことがあります。その場合は、PDFの内容を確認し、手動で修正してください。
- フォント：日本語文字が含まれる場合、フォントの問題で文字が正しく表示されないことがあります。その場合は、フォントを変更するか、手動で修正してください。
プログラム
下記のコードをメモ帳などに丸々コピーして、pythonファイル(pdf_to_excel.py)にしてください。
import fitz # PyMuPDF
import openpyxl as px
from openpyxl.styles import Border, Side
import tkinter as tk
from tkinterdnd2 import TkinterDnD, DND_FILES
from tkinter import filedialog
from tkinter import messagebox
from tkinter import ttk
import os
import camelot
class PDFtoExcelConverter:
def __init__(self, root):
self.root = root
self.root.title("PDF to Excel Converter")
self.source_file_path = ""
self.destination_folder_path = ""
self.source_label = ttk.Label(root, text="Select PDF File:")
self.source_label.grid(row=0, column=0, padx=5, pady=5, sticky="w")
self.source_entry = ttk.Entry(root, width=50)
self.source_entry.grid(row=0, column=1, padx=5, pady=5, sticky="ew")
self.source_button = ttk.Button(root, text="Browse", command=self.select_source_file)
self.source_button.grid(row=0, column=2, padx=5, pady=5)
self.destination_label = ttk.Label(root, text="Select Destination Folder:")
self.destination_label.grid(row=1, column=0, padx=5, pady=5, sticky="w")
self.destination_entry = ttk.Entry(root, width=50)
self.destination_entry.grid(row=1, column=1, padx=5, pady=5, sticky="ew")
self.destination_button = ttk.Button(root, text="Browse", command=self.select_destination_folder)
self.destination_button.grid(row=1, column=2, padx=5, pady=5)
self.convert_button = ttk.Button(root, text="Convert", command=self.convert_pdf_to_excel)
self.convert_button.grid(row=2, column=1, padx=5, pady=5)
self.progress_label = ttk.Label(root, text="")
self.progress_label.grid(row=3, column=0, columnspan=3, padx=5, pady=5)
self.dnd_label = ttk.Label(root, text="Drag and Drop PDF File Here:")
self.dnd_label.grid(row=4, column=0, columnspan=3, padx=5, pady=5)
self.dnd_frame = ttk.Frame(root, relief="sunken", width=50, height=100)
self.dnd_frame.grid(row=5, column=0, columnspan=3, padx=5, pady=5, sticky="ew")
self.dnd_frame.drop_target_register(DND_FILES)
self.dnd_frame.dnd_bind('<<Drop>>', self.on_drop)
def select_source_file(self):
self.source_file_path = filedialog.askopenfilename(filetypes=[("PDF Files", "*.pdf")])
self.source_entry.delete(0, tk.END)
self.source_entry.insert(0, self.source_file_path)
def select_destination_folder(self):
self.destination_folder_path = filedialog.askdirectory()
self.destination_entry.delete(0, tk.END)
self.destination_entry.insert(0, self.destination_folder_path)
def on_drop(self, event):
self.source_file_path = event.data.strip('{}')
self.source_entry.delete(0, tk.END)
self.source_entry.insert(0, self.source_file_path)
def convert_pdf_to_excel(self):
if not self.source_file_path:
messagebox.showerror("Error", "Please select a PDF file.")
return
if not self.destination_folder_path:
messagebox.showerror("Error", "Please select a destination folder.")
return
try:
# PDFを読み込んでしおりを取得
pdf_document = fitz.open(self.source_file_path)
writer = px.Workbook()
writer.remove(writer.active) # デフォルトで作成される最初のシートを削除
bookmarks = self.get_bookmarks(pdf_document)
for page_num in range(len(pdf_document)):
tables = camelot.read_pdf(self.source_file_path, flavor='stream', pages=str(page_num + 1))
if tables:
sheet_name = bookmarks.get(page_num, f"{page_num + 1:03d}")
if len(sheet_name) > 30:
sheet_name = f"{sheet_name[:10]}…{sheet_name[-10:]}-{page_num + 1:03d}"
sheet = writer.create_sheet(title=sheet_name)
# テーブルの罫線のスタイルを設定
thin_border = Border(
left=Side(style='thin'),
right=Side(style='thin'),
top=Side(style='thin'),
bottom=Side(style='thin')
)
# ページのテーブルをシートに書き込む
for table_idx, table in enumerate(tables):
for row_idx, row in enumerate(table.df.values):
for col_idx, value in enumerate(row):
cell = sheet.cell(row=row_idx + 1, column=col_idx + 1)
cell.value = value
cell.border = thin_border # 罫線を適用
# 出力先フォルダにExcelファイルを保存
output_file_path = os.path.join(self.destination_folder_path, os.path.splitext(os.path.basename(self.source_file_path))[0] + ".xlsx")
writer.save(output_file_path)
self.progress_label.config(text="Conversion successful!")
except Exception as e:
error_message = f"Error: {str(e)}"
print(error_message)
self.progress_label.config(text=error_message)
def get_bookmarks(self, pdf_document):
toc = pdf_document.get_toc()
bookmarks = {}
for item in toc:
level, title, page_num = item
bookmarks[page_num - 1] = title
return bookmarks
root = TkinterDnD.Tk()
app = PDFtoExcelConverter(root)
root.mainloop()
あるいは、下のテキストファイルをダウンロードし、「.txt」を「.py」に変えることでそのまま使えます。
まとめ
本記事では、Pythonを使用してPDFファイルをExcelファイルに変換する方法を紹介しました。このプログラムを利用することで、PDF内のテーブルデータを簡単に抽出し、Excel形式に変換できます。ビジネスやデータ分析の現場での活用をぜひお試しください。