【Python】PDF内の表をExcelに変換する

本記事のタイトルの内容で検索して出てくるのは、tabula-pyを使用した例が多いです。tabula-pyは、Javaのライブラリのラッパーであるため、Javaのインストールや設定が必要とのことで、どうにかtabula-pyを使わずにやる方法がないか検討しました。

そこで思いついたのが、以前紹介したwin32comを使用する方法です。win32comを使うことで、Microsoft Officeを操作できるため、Pythonから下記の動作を実行することができます。

1. PDFファイルをWordで開く
2. 表を選択してコピー
3. Excelに貼り付け、名前をつけて保存

これで、PDF内の表をExcelファイルに変換する作業の自動化が可能です。xlsxにした後は、Pandasで読み込むなど自由に操作可能です。

Loading

Sorry, something went wrong. Reload?

Sorry, we cannot display this file.

Sorry, this file is invalid so it cannot be displayed.

view raw pdf_word.ipynb hosted with ❤ by GitHub

注意 : 使用できる環境等に条件があります。

• win32comを使用するため、WindowsにMicrosoft Officeがインストールされている環境であること
• PDFファイルの「セキュリティ設定」でコピーが禁止されていないこと

参考：

PDFファイルにしかない表をExcelに読み込んで再活用する

PDF文書に含まれる表を活用したい場合、単純にコピーして、Microsoft Excelに貼り付けると、表の構造が崩れたり、書式が失われたりする。これを元の表のように整え直すのは結構手間のかかる作業となる。実は、簡単に表の構造や書式を維持してコピーできる方法がある。