【試してみた】PythonでPDFからテキストを抽出する方法

【はじめに】
1. 本記事の内容
【準備】
1. 作業ディレクトリにテキスト抽出したいPDFファイルを配置する
【PDFファイルからテキストを抽出してみた】
【PDFファイルを画像として認識し、テキストを抽出してみた】
【さいごに】

【はじめに】

仕事中にブログネタを思いつくことが時々あり、会社のPCをお借りしてテキストに起こすことがありました。
個人アドレスにはメールを送れないので、毎回プリントして帰宅後に自分のPCに転記するということをしています。
毎回この作業をすると思うとかなり面倒なので、Pythonを使ってテキストを抽出する方法を試してみました。

本記事の内容

準備
PDFファイルからテキストを抽出してみた
PDFファイルを画像として認識し、テキストを抽出してみた

※OS環境はMacOS、実行環境はJupyter Labを使用します。

【準備】

作業ディレクトリにテキスト抽出したいPDFファイルを配置する

sample1.pdf

sample2.pdf

【PDFファイルからテキストを抽出してみた】

pdfminer.sixをインストール

pdfminer.sixはPDFファイルからテキスト情報を抽出する機能を有するPythonモジュールです。

Welcome to pdfminer.six’s documentation! — pdfminer.six 20221105.post22+git.9cc4d1dd documentation

!pip install pdfminer.six

ライブラリをインポート

import pdfminer

pdfminer.sixのGitHubから公開されているコード「pdf2txt.py」を作業ディレクトリに持ってくる

GitHubにサンプルコードが公開されているため、今回はそのまま使用したいと思います。
同じ名前でファイルを作成し、コードをコピーすればOKです。

pdfminer.six/tools/pdf2txt.py at master · pdfminer/pdfminer.six

Community maintained fork of pdfminer - we fathom PDF - pdfminer/pdfminer.six

「pdf2txt.py」を実行して「sample1.pdf」のテキストを抽出する

!python pdf2txt.py sample1.pdf

実行すると正しくテキスト抽出がされているみたいです。

「sample2.pdf」のテキストを抽出する

次のように、実行結果に何も表示されませんでした。
一度出力した資料をスキャンでPDFファイルにした場合は、より高度なOCR処理が必要みたいです。

ディレクトリとコード

今回のディレクトリ構成とコードをまとめるとこのような感じになります。

【PDFファイルを画像として認識し、テキストを抽出してみた】

pdfminer.sixではPDFファイルによっては抽出できないものもありましたので、今回はPDFとしてではなく、画像として認識し文字を抽出できるかどうか試していきたいと思います。

PyOCRのインストール

「Pyocr」はPythonのOCRのライブラリで、Tesseract(OCRツール)を利用できます。
TesseractはGoogleが公開したOCRエンジンでGitから無料でダウンロードが可能で、Tesseractを利用することで画像に表示されている文字を抽出することが出来ます。

!pip install pyocr

Tesseractのインストール

OCR engineである「Tesseract」をインストールします。

!brew install tesseract

pdf2imageのインストール

PDFを画像ファイルに変換してくれるライブラリ「pdf2image」をインストールします。

!pip install pdf2image

popplerのインストール

PDFドキュメントのレンダリングに利用されるライブラリ「poppler」をインストールします。

!brew install poppler

「sample2.pdf」を画像ファイルに変換してからテキストを抽出する

from PIL import Image
import sys
import pyocr
import pyocr.builders
import pdf2image

tools = pyocr.get_available_tools()
if len(tools) == 0:
    print("No OCR tool found")
    sys.exit(1)

# The tools are returned in the recommended order of usage
tool = tools[0]
print("Will use tool '%s'" % (tool.get_name()))
# Ex: Will use tool 'libtesseract'


# pdfから画像オブジェクトに
images = pdf2image.convert_from_path("sample2.pdf", dpi=200, fmt='jpg')
lang = 'eng'
#lang = 'jpn'
# 画像オブジェクトからテキストに
for image in images:
    txt = tool.image_to_string(
        image,
        lang=lang,
        builder=pyocr.builders.TextBuilder()
    )
    print(txt)

Sample2.pdfを使用してみます。