Pythonを使用してPDFファイルからテキスト（文章）を抽出する

Pythonを使用してPDFファイルからテキスト（文章）を抽出してみます。

PDFファイルからテキスト（文章）を抽出する場合は、PyPDF2モジュールを事前にインストールする必要があります。PyPDF2モジュールは、Pythonの標準ライブラリではありません。

■Python

今回のPythonのバージョンは、「3.8.2」を使用しています。（Windows10）

■PDFファイルを用意する

Pythonを使用してPDFファイルからテキスト（文章）を抽出しますが、その前にテキスト（文章）を抽出するPDFを用意します。

今回は上記のようなPDFファイルを用意しました。

保存されている場所は「C:\Users\user\test（フォルダパス）」です。

■PyPDF2モジュールを使用してPDFファイルからテキスト（文章）を抽出する

PDFファイルの用意ができましたので、PyPDF2モジュールを使用してPDFファイルからテキスト（文章）を抽出するスクリプトを書いていきます。

■コード

import PyPDF2

pdffile = open(r'C:\Users\user\test\text_sample.pdf','rb')

pdfreader = PyPDF2.PdfFileReader(pdffile)

print(pdfreader.numPages)

g_page = pdfreader.getPage(0)

print(g_page.extractText())

pdffile.close()

インポートでPyPDF2モジュールを呼び出して、pdffileという変数を作成し、open()で今回用意したPDFファイルを開きます。開いたファイルは、rbモードで読み込みます。

次にpdfreaderという変数を作成し、PyPDF2.PdfFileReader()で、読み込んだPDFファイルをPDFファイルとして読み込みます。

読み込んだ後に、print()関数で読み込んだPDFファイルのページ数を出力します。

出力後、g_pageという変数を作成し、読み込んだPDFファイルの最初のページを取得します。

取得した後に、extractText()で取得したページのテキスト（文章）を抽出します。

最後にclose()で読み込んだPDFファイルを閉じます。

■実行

今回書いたスクリプトを「extract_text_from_pdf.py」という名前で保存し、コマンドプロンプトから実行してみます。

実行してみると、今回用意したPDFファイルのページ数のみが出力され、テキスト（文章）の抽出はできませんでした。日本語のテキスト（文章）の抽出は行なえません。英語のテキスト（文章）の抽出も行ってみましたが、抽出できない場合がありました。