pdfファイルからテキストをぶっこ抜くpdftotextコマンド

ぶっこ抜き大好きエンジニアの、下駄です。 pdfデータは便利ですが、システムで利用できるデータ形式ではないので、内容が画像形式でなければ、テキストでぶっこ抜いてみたいと思ったら、ナイスなコマンドが存在しました。 そして、これがメッチャ使えるコマンドだと分かったので、僕のシステムフレームワーク標準に入れるべく、docker-composeに登録しておきました。

インストール

ubuntu(debian)の場合

apt-get install -y poppler-util

centosの場合

yum install -y poppler poppler-util 僕の環境ではこちらで無事にインストールできたんですが、出来ない場合もあるかもしれません。 すみませんが、ググってください・・・

テキスト変換事例

通常変換

pdftotext sample.pdf sample.txt 区切り毎に改行で変換されます。

レイアウトを維持して変換

pdftotext -layout sample.pdf sample_layout.txt なるべくレイアウトを維持してテキスト変換されます。 ただし、table構成などの場合は、スペース文字列で埋められるので絡む情報の取得が難しいでしょう。

block-box変換

pdftotext -bbox sample.pdf sample_layout.txt スペースを含む区切り毎にhtml(xml)形式のwordタグで表示されます。 ただし、改行の区切りとスペースの区切りが混ざってしまうので、少し使いづらい印象です。

block-box-layout変換

pdftotext -bbox-layout sample.pdf sample_layout.txt table組みされている場合、この変換が一番精度が高いようです。

開始ページの指定

pdftotext -f 3 sample.pdf sample_first.txt

終了ページの指定

pdftotext -l 3 sample.pdf sample_last.txt

パスワード付きpdfの場合

# ユーザーパスワード pdftotext -upw '%password%' sample.pdf sample.txt # オーナーパスワード pdftotext -opw '%password%' sample.pdf sample.txt

注意点

当たり前の話ですが、pdfがスキャンデータなどの場合は、テキストデータが含まれておらず、このコマンドを実行してもテキストは抽出されません。 pdfは形式がかなり自由なので、その書類によってルールがまちまちなため、単純に文字列を取得するというケースや、形式がルール化されている場合じゃないと、使えないかもしれませんが、 政府発行書類などで、表組みされているデータを取得する場合などに便利に使えます。 ちなみに、僕のケースは、webデータクローリングで、取得したデータ変換で使う予定です。 phpのモジュールで変換してもいいんですが、linuxコマンドでできると、cron処理もやりやすいですからね。 もう少しこの機能を使い込んでみたいと思います。