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】

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。

そもそもPythonについて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読むとさらに理解が深まります。

 

なお本記事は、TechAcademyのオンラインブートキャンプPython講座の内容をもとに紹介しています。

 

 

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] 未経験からWebエンジニアを目指す方法とは

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。

 

 

TechAcademyでは、初心者でもPythonを使った人工知能（AI）や機械学習の基礎を習得できるオンラインブートキャンプPython講座を開催しています。

挫折しない学習方法を知れる説明動画や、現役エンジニアとのビデオ通話とチャットサポート、学習用カリキュラムを体験できる無料体験も実施しているので、ぜひ参加してみてください。