【Python】pdfからテキストを抽出する｜PDFMiner

PDFMinerを使用すると、Pythonを使用してpdfからテキストを抽出することができます。

本記事では、PDFMinerを使用した、pdfからテキストを抽出する方法について、詳しくご説明します。

levtech-ad

＼業界最大級の案件数！／

レバテックフリーランス詳細はコチラ＞＞

PDFMinerとは

PDFMinerは、Pythonを使用してPDFを操作するための外部ライブラリの１つです。

PDF操作用ライブラリはPDFMinerの他にも、PyPDF2やReportLabなどいくつか存在します。

それぞれのライブラリの用途は、以下の通りです。

本記事では、PDFMinerによるテキストの抽出をご紹介します。

PDFMinerのインストール

PDFMinerシリーズのうち、本記事では「pdfminer.six」をインストールします。

「pdfminer.six」は、以下コマンドを入力することで、インストールすることができます。

コマンドの入力は、コマンドプロンプトあるいはターミナルから行います。

pip install pdfminer.six

動作確認として、試しに以下を入力します。

from pdfminer.pdfinterp import PDFResourceManager

上記を入力してもエラーが発生しなければ、正常にインストールされています。

PDFからテキストを抽出する

テキスト抽出用のクラス

「pdfminer.six」を使用して、テキストを抽出するためのクラスは以下の通りです。

PDFファイルの読み込みとテキストの抽出

以下PDFファイルを読み込んで、テキストを抽出してみます。

#input
from pdfminer.pdfinterp import PDFResourceManager
from pdfminer.converter import TextConverter
from pdfminer.pdfinterp import PDFPageInterpreter
from pdfminer.pdfpage import PDFPage
from pdfminer.layout import LAParams
from io import StringIO

path = "sample009.pdf"

# ファイルオブジェクトを受け取り、変数「pdf」に代入。
with open(path , "rb") as pdf: 
    # IOクラス「StringIO」使用（コンソールに出力されたテキストを取得）
    output = StringIO()
    resource_manager = PDFResourceManager()
    # レイアウト変更なし
    laparams = LAParams()
    text_converter = TextConverter(resource_manager, output, laparams=laparams)
    page_interpreter = PDFPageInterpreter(resource_manager, text_converter)

    for i_page in PDFPage.get_pages(pdf):
        page_interpreter.process_page(i_page)

    text = output.getvalue()
    output.close()
    text_converter.close()

print(text)

#output
[Street Address], [City, ST  ZIP Code]•[Phone number]•[E-mail address] 

[Your Name] 

Objective 

[Describe your career goal or ideal job.] 

Professional Accomplishments 

[Field or Area of Accomplishment]
[Job responsibility/achievement]
[Job responsibility/achievement]
[Job responsibility/achievement]

▪
▪
▪

[Field or Area of Accomplishment]
[Job responsibility/achievement]
[Job responsibility/achievement]
[Job responsibility/achievement]

▪
▪
▪

[Field or Area of Accomplishment]
[Job responsibility/achievement]
[Job responsibility/achievement]
[Job responsibility/achievement]

▪
▪
▪

[Field or Area of Accomplishment]
[Job responsibility/achievement]
[Job responsibility/achievement]
[Job responsibility/achievement]

▪
▪
▪

Employment History

[Dates of employment]
[Dates of employment]
[Dates of employment]
[Dates of employment]

Education

[Job title]
[Job title]
[Job title]
[Job title]

[Company Name], [City, ST]
[Company Name], [City, ST]
[Company Name], [City, ST]
[Company Name], [City, ST]

[Date of graduation]

[Degree]

[School Name], [City, ST]

References

References are available on request.

PDFのテキストを抽出することができました。

出力結果の改行が不要な場合には、以下を入力することで、改行なしのテキストを出力することができます。

#input
text = text.replace("\n", "")
print(text)

#output
[Street Address], [City, ST  ZIP Code]•[Phone number]•[E-mail address] [Your Name] Objective [Describe your career goal or ideal job.] Professional Accomplishments [Field or Area of Accomplishment] [Job responsibility/achievement] [Job responsibility/achievement] [Job responsibility/achievement] ▪ ▪ ▪ [Field or Area of Accomplishment] [Job responsibility/achievement] [Job responsibility/achievement] [Job responsibility/achievement] ▪ ▪ ▪ [Field or Area of Accomplishment] [Job responsibility/achievement] [Job responsibility/achievement] [Job responsibility/achievement] ▪ ▪ ▪ [Field or Area of Accomplishment] [Job responsibility/achievement] [Job responsibility/achievement] [Job responsibility/achievement] ▪ ▪ ▪ Employment History [Dates of employment] [Dates of employment] [Dates of employment] [Dates of employment] Education [Job title] [Job title] [Job title] [Job title] 
[Company Name], [City, ST] [Company Name], [City, ST] [Company Name], [City, ST] [Company Name], [City, ST] [Date of graduation] [Degree] [School Name], [City, ST] References References are available on request.

PDFのテキストを改行なしで出力することができました。

しおり（目次）の取得

「pdfminer.six」を使用すると、PDFの「しおり（目次）」も取得することができます。

以下「しおり（目次）」が含まれたPDFを使用して、「しおり（目次）」を取得してみます。

#input
from pdfminer.pdfdocument import PDFDocument
from pdfminer.pdfdocument import PDFNoOutlines
from pdfminer.pdfparser import PDFParser

path = "sample003.pdf"

with open(path, "rb") as pdf:
    # ファイルオブジェクトからParserオブジェクトを取得
    parser = PDFParser(pdf) 
    # ParserオブジェクトからDocumentオブジェクトを作成
    document = PDFDocument(parser)
    try:
        outlines = document.get_outlines() 
        for outline in outlines:
            print(outline)
    except PDFNoOutlines:
        print("no data")

#output
(1, '第１章', None, <PDFObjRef:9>, None)
(2, 'はじめに', None, <PDFObjRef:12>, None)
(2, '第１節', None, <PDFObjRef:14>, None)  
(2, '第２節', None, <PDFObjRef:16>, None)  
(2, '第３節', None, <PDFObjRef:18>, None)  
(2, '第４節', None, <PDFObjRef:20>, None)  
(2, '第５節', None, <PDFObjRef:22>, None) 

PDFのしおり（目次）を抽出・出力することができました。

まとめ

この記事では、PDFMinerを使用した、pdfからテキストを抽出する方法について、ご説明しました。

本記事を参考に、ぜひ試してみて下さい。

参考

Python学習用おすすめ教材

Pythonの基本を学びたい方向け

統計学基礎を学びたい方向け

Pythonの統計解析を学びたい方向け

おすすめプログラミングスクール

テックアカデミーの無料体験