OK-PC

1. はじめに

「PDFから表や特定の文字列を自動で抜き出したい」というニーズは多くあります。本記事ではPythonの pdfplumber、re（正規表現）、csv を組み合わせて、まるでAIのように効率よく情報を取り出す方法を解説します。

2. 使用するPythonライブラリの説明

• pdfplumber：PDFの中身（テキスト・表）を簡単に抜き出せる外部ライブラリ。OCR不要で構造を維持して抽出できます。
• re（正規表現）：特定の文字パターン（例：電話番号、日付）を検出・抽出する標準ライブラリ。
• csv：抽出したデータをCSV形式で保存する標準ライブラリ。Excel等で開ける形で出力。

3. 環境構築とインストール

pip install pdfplumber
  

4. PDFからテキストを抽出する

import pdfplumber

with pdfplumber.open("sample.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        print(text)

5. 正規表現で必要な情報を抽出する

import re

pattern = r"電話番号: (\d{2,4}-\d{2,4}-\d{4})"
matches = re.findall(pattern, text)
print(matches)

6. 抽出したデータをCSVファイルに保存する

import csv

with open("output.csv", "w", newline="", encoding="utf-8") as f:
    writer = csv.writer(f)
    writer.writerow(["氏名", "電話番号"])  # ヘッダー行
    for name, phone in zip(names, phones):
        writer.writerow([name, phone])

7.よくあるエラーと対策

8. まとめ

これらの技術を組み合わせれば、PDFからのデータ収集を“人の手を介さず”に行うことができます。AI的な自動処理の第一歩として、ぜひ活用してみてください！