PythonでPDFをCSVに変換する方法｜tabula-pyの使い方を徹底解説

Pythonは、膨大なパッケージライブラリを擁することで広く知られています。本記事では、これらのライブラリを活用して、PDFファイルをCSVファイルへ変換する方法を詳しく解説します。

CSVファイルとは、行と列という形式で整理されたデータの集合体のことです。PythonのライブラリにはPDFをCSVに変換できるパッケージが複数存在しますが、ここではtabula-pyモジュールを使用します。tabula-pyの主要部分はJavaで実装されており、まずPDFドキュメントを読み込み、その内容をPythonのDataFrame、さらにJSONオブジェクトへと変換する仕組みになっています。

tabula-pyを使うための前提条件

tabula-pyを動作させるには、システムにJavaが事前にインストールされている必要があります。インストールが済んでいない場合は、あらかじめJava環境を準備しておきましょう。

PDFをCSVに変換する手順

PDFファイルをCSVに変換するには、以下の手順に従います。

• ステップ1：必要なパッケージをインストールする
  コマンドシェル（ターミナルやコマンドプロンプト）で pip install tabula-py を実行し、モジュールをインストールします。

• ステップ2：PDFファイルを読み込む
  read_pdf("ファイルの場所", pages=ページ番号) 関数を使用してPDFを読み込みます。この関数はDataFrameを返します。

• ステップ3：CSVファイルへ変換・出力する
  tabula.convert_into('pdfファイル名', '出力ファイル名.csv', output_format="csv", pages="all") を使って、PDFの内容をCSVファイルとして書き出します。

サンプルコード

以下の例では、「IPL試合スケジュール」のPDFドキュメントをCSVファイルに変換しています。

# 必要なモジュールをインポート
import tabula
# PDFファイルを読み込む
df = tabula.read_pdf("IPLmatch.pdf", pages='all')[0]
# PDFをCSVに変換
tabula.convert_into("IPLmatch.pdf", "iplmatch.csv", output_format="csv", pages='all')
print(df)

実行結果

上記のコードを実行すると、PDFファイルがCSV形式のファイルに変換され、指定した名前で保存されます。read_pdfで取得したDataFrameを出力すると、抽出された表データをコンソール上で確認できます。

まとめ

tabula-pyを使えば、わずか数行のコードでPDF内の表データを簡単にCSVへ変換できます。Javaのインストールという前提条件さえ満たしていれば、データ分析の前処理などで非常に便利に活用できるツールです。ぜひ実際の業務やプロジェクトで試してみてください。