【Python】pdfminer.six：PDFからテキストを取得・抽出する

PDFとは

PDF（Portable Document Format）はビジネスから日常まで様々な場面で使用されるファイル形式です。

PDFファイルは相手がどんな端末でも情報を共有できるため、非常に優秀なファイル形式ではありますが、プログラムで扱おうと思うとやっかいなファイルではあります。

プログラムでPDFファイルのテキストを抽出すると、正確に抽出できないこともあります。また抽出する方法によっては、特定のPDFファイルに対しては全く抽出できない場合もあります。

PythonでPDFからテキストを抽出するには

PythonでPDFファイルからテキストを抽出する方法はいくつか存在します。

本記事ではpdfminer.sixを使ったテキストの抽出方法を解説しますが、以下記事ではPyPDF2を使ったテキストの抽出方法を解説しています。

【Python】PyPDF2を使ってPDFからテキスト文字を読み取り・抽出する

私の経験上、PyPDF2でテキスト抽出がうまくいかないPDFが、pdfminer.sixではテキスト抽出が成功するということがあります。

例えば以下記事では、PyPDF2ではEOF marker not foundエラーが発生しました。
しかしpdfminerではエラーが発生することがなく、PDFからテキストを問題なく取得することができました。

【Python】PdfReadError：EOF marker not foundの解決方法（PyPDF2）

そのためPDFからテキストを抽出する複数の方法をマスターし、使い分けることはとても有用です。

pdfminer.sixとは

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。

pdfminer.sixはPDFMinerから派生したモジュールです。
しかしPDFMinerはすでに開発はストップしており、現在ではpdfminer.sixを使用します。

Pythonのバージョンは3.6以上が必要になります。バージョン3.4や3.5は非推奨であると公式に記載があります。

まずはご自身の環境がpdfminer.sixを使用できるか確認してみてください。

> python -V
Python 3.7.6

pdfminer.sixの特徴

pdfminer.sixの特徴を以下に記します。

• PDFからテキスト情報を抽出
• PDFから画像（JPGやBitmapなど）、目次、タグ付けコンテンツを抽出
• RC4やAESの暗号化をサポート
• 日本語、中国語、韓国語をサポート

pipインストール

pdfminer.sixは標準ではインストールされていないため、pipコマンドでインストールする必要があります。

> pip install pdfminer.six

2021年8月現在では、バージョン20201018が最新バーションです。

> pip list
pdfminer.six	20201018

スクリプトでは次の方法でpdfminer.sixのバージョン確認ができます。

> import pdfminer
> print(pdfminer.__version__)
20201018

extract_text()

extract_textはhigh-level APIが提供する関数であり、
PDFからテキストを抽出する最もシンプルな方法です。

構文は次のようになります。

extract_text()は次のように使用します。

from pdfminer.high_level import extract_text
text = extract_text('office54.pdf')
print(text)

１行目ではpdfminer.high_levelからextract_textをインポート、２行目ではextract_textを用いて指定したパスのPDFからテキストの抽出、３行目で抽出したテキストを表示しています。

extract_text_to_fp()

extract_textはhigh-level APIが提供する関数であり、
PDFからテキストを抽出し、特定のオブジェクトにテキスト情報を渡します。

構文は次のようになります。

extract_text_to_fpには様々なパラメーターが用意されていますが、基本的にはinfとoutfpを指定します。

infにはPDFファイルをファイルハンドラー（open()で開いたオブジェクト）で指定、outfpにはテキストを書き込むためのファイルライクオブジェクト（StringIO）を指定します。

以下にextract_text_to_fpの使用例を記載します。

from pdfminer.high_level import extract_text_to_fp
from io import StringIO

fp = open(path, "rb")
outfp = StringIO()
extract_text_to_fp(fp, outfp)
print(outfp.getvalue().strip())

StringIOでは文字列をメモリにバッファします。
これにより文字列をファイルオブジェクトのように扱うことができ、readやwriteなどのファイル操作ができます。

extract_text_to_fp()関数では第二引数にStringIOオブジェクトを指定することで、抽出したテキストをStringIOオブジェクトに渡しているのです。