PythonのpdfminerでPDFのテキストを抽出する方法を現役エンジニアが解説【初心者向け】

初心者向けにPythonのpdfminerでPDFのテキストを抽出する方法について現役エンジニアが解説しています。pdfminerはPDFファイルからテキストを抽出するためのモジュールです。pipを使いインストールし、pdfminerの開発プロジェクトやadobeのサンプルコードを確認してみます。

TechAcademyマガジンはオンラインのプログラミングスクールTechAcademy [テックアカデミー]が運営する教育×テクノロジーのWebメディアです。初心者でもすぐ勉強できる記事が2,000以上あります。

PythonのpdfminerでPDFのテキストを抽出する方法について解説します。

Pythonについてそもそもよく分からないという方は、Pythonとは何なのか解説した記事をまずご覧ください。

 

なお本記事は、TechAcademyのPythonオンライン講座の内容をもとにしています。

 

田島悠介

今回は、Pythonに関する内容だね!

大石ゆかり

どういう内容でしょうか?

田島悠介

PythonのpdfminerでPDFのテキストを抽出する方法について詳しく説明していくね!

大石ゆかり

お願いします!

 

pdfminerとは

pdfminerとは、PDFファイルからテキストを抽出するためのモジュールです。
日本語含むCJK(Chinese, Japanese, Korean)に対応するのが特徴です。

pdfminerを使う手順

インストールする

以下コマンドでpdfminerモジュールをインストールします。

 

pip install pdfminer.six

なお筆者の環境では、別途chardetモジュールのインストールが必要でした。

 

pip install chardet

 

動作確認をする

pdfminerの開発プロジェクトの配布している、サンプルのPDFファイルをダウンロードします。
以下コマンドを実行します。なお、環境によりpdf2txt.pyのパスが異なります。

 

python /path/to/pdf2txt.py simple1.pdf

以下のようにPDFから抽出された文字列が表示されれば、インストールは成功しています。

Hello
World
Hello
World
H e l l o
W o r l d
H e l l o
W o r l d

 

[PR] Pythonで挫折しない学習方法を動画で公開中

実際にPDFからテキストを抽出してみよう

ここでは、Adobe社の配布している、表示確認用サンプルPDFファイルを用いました。

サンプルコード

from pdfminer.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer.converter import TextConverter
from pdfminer.layout import LAParams
from pdfminer.pdfpage import PDFPage

input_path = 'adobe_sample.pdf'
output_path = 'result.txt'

manager = PDFResourceManager()

with open(output_path, "wb") as output:
    with open(input_path, 'rb') as input:
        with TextConverter(manager, output, codec='utf-8', laparams=LAParams()) as conv:
            interpreter = PDFPageInterpreter(manager, conv)
            for page in PDFPage.get_pages(input):
                interpreter.process_page(page)

 

実行結果

カレントディレクトリに、PDFファイルのテキストを抽出した、result.txtが生成されました。

 

解説

1-4行目で必要なモジュールをインポートしました。
6,7行目で入出力ファイル名を定義しました。
11行目からがテキストファイル抽出用のコードです。
はじめに、入力ファイルと出力ファイルをオープンしました。

次にテキストへの変換のため、TextConverterを使用しました。
for文でPDFに1ページずつアクセスしながら、テキストを抽出しました。

 

監修してくれたメンター

橋本紘希

システムインテグレータ企業勤務のシステムエンジニア。

開発実績: Javaプログラムを用いた業務用Webアプリケーションや、基幹システム用バッチアプリケーションなどの設計構築試験。

 

大石ゆかり

内容分かりやすくて良かったです!

田島悠介

ゆかりちゃんも分からないことがあったら質問してね!

大石ゆかり

分かりました。ありがとうございます!

オンラインのプログラミングスクールTechAcademyではPythonを使って機械学習の基礎を学ぶPythonオンライン講座を開催しています。

初心者向けの書籍を使って人工知能(AI)や機械学習について学ぶことができます。

現役エンジニアがパーソナルメンターとして受講生に1人ずつつき、マンツーマンのメンタリングで学習をサポートし、最短4週間で習得することが可能です。

また、現役エンジニアから学べる無料のプログラミング体験会も実施しているので、ぜひ参加してみてください。