PythonでPDFからテキストデータを抽出する方法解説

pip install pymupdf

import fitz  # PyMuPDFをインポート

def pdf_to_txt(pdf_path, txt_path):
    # PDFファイルを開く
    pdf_document = fitz.open(pdf_path)
    # .txtファイルを作成
    with open(txt_path, 'w', encoding='utf-8') as txt_file:
        # PDFの各ページを処理
        for page_num in range(len(pdf_document)):
            page = pdf_document.load_page(page_num)
            text = page.get_text()
            txt_file.write(text)

# PDFファイルのパス
pdf_path = r'C:\py\PyMuPDF\example.pdf'
# 出力する.txtファイルのパス
txt_path = r'C:\py\PyMuPDF\output.txt'

# PDFからテキストを抽出して.txtに保存
pdf_to_txt(pdf_path, txt_path)

import fitz  # PyMuPDFをインポート

def pdf_to_txt(pdf_path, txt_path):
    # PDFファイルを開く
    pdf_document = fitz.open(pdf_path)
    # .txtファイルを作成
    with open(txt_path, 'w', encoding='utf-8') as txt_file:
        # PDFの各ページを処理
        for page_num in range(len(pdf_document)):
            page = pdf_document.load_page(page_num)
            text = page.get_text()

            # 改行を置換する処理
            text = text.replace('\n', '')

            # 全角スペース及び半角スペースを削除する処理
            text = text.replace('　', '').replace(' ', '')

            txt_file.write(text)

# PDFファイルのパス
pdf_path = r'C:\py\PyMuPDF\example.pdf'
# 出力する.txtファイルのパス
txt_path = r'C:\py\PyMuPDF\output.txt'

# PDFからテキストを抽出して.txtに保存
pdf_to_txt(pdf_path, txt_path)

import fitz  # PyMuPDFをインポート
import re  # 正規表現モジュールをインポート

def pdf_to_txt(pdf_path, txt_path):
    # PDFファイルを開く
    pdf_document = fitz.open(pdf_path)
    # 全ページのテキストを格納するリスト
    all_text = []

    # PDFの各ページを処理
    for page_num in range(len(pdf_document)):
        page = pdf_document.load_page(page_num)
        text = page.get_text()

        # 改行を置換する処理
        text = text.replace('\n', '')

        # 全角スペース及び半角スペースを削除する処理
        text = text.replace('　', '').replace(' ', '')

        # 各ページのテキストをリストに追加
        all_text.append(text)

    # 全ページのテキストを結合
    combined_text = ''.join(all_text)

    # ヘッダーやフッターなどの情報を正規表現で除去する処理
    pattern = r'(\d{2,10})?(\(\d\))?JP\d{4}-\d{1,6}A\d{4}\.\d{1,2}\.\d{1,2}'
    combined_text = re.sub(pattern, '', combined_text)

    # .txtファイルを作成して書き込む
    with open(txt_path, 'w', encoding='utf-8') as txt_file:
        txt_file.write(combined_text)

# PDFファイルのパス
pdf_path = r'C:\py\PyMuPDF\example.pdf'
# 出力する.txtファイルのパス
txt_path = r'C:\py\PyMuPDF\output.txt'

# PDFからテキストを抽出して.txtに保存
pdf_to_txt(pdf_path, txt_path)

import fitz  # PyMuPDFをインポート
import re  # 正規表現モジュールをインポート
import unicodedata  # Unicodeデータベースをインポート

def pdf_to_txt(pdf_path, txt_path):
    # PDFファイルを開く
    pdf_document = fitz.open(pdf_path)
    # 全ページのテキストを格納するリスト
    all_text = []

    # PDFの各ページを処理
    for page_num in range(len(pdf_document)):
        page = pdf_document.load_page(page_num)
        text = page.get_text()

        # 改行を置換する処理
        text = text.replace('\n', '')

        # 全角スペース及び半角スペースを削除する処理
        text = text.replace('　', '').replace(' ', '')

        # 各ページのテキストをリストに追加
        all_text.append(text)

    # 全ページのテキストを結合
    combined_text = ''.join(all_text)

    # ヘッダーやフッターなどの情報を除去する処理
    pattern = r'(\d{0,10})?\(?(\d{0,10})?\)?JP\d{4}-\d{1,6}A\d{4}\.\d{1,2}\.\d{1,2}'
    combined_text = re.sub(pattern, '', combined_text)

    # 全角英数字を半角に変換する処理
    combined_text = unicodedata.normalize('NFKC', combined_text)

    # .txtファイルを作成して書き込む
    with open(txt_path, 'w', encoding='utf-8') as txt_file:
        txt_file.write(combined_text)

# PDFファイルのパス
pdf_path = r'C:\py\PyMuPDF\example.pdf'
# 出力する.txtファイルのパス
txt_path = r'C:\py\PyMuPDF\output.txt'

# PDFからテキストを抽出して.txtに保存
pdf_to_txt(pdf_path, txt_path)

import fitz  # PyMuPDFをインポート
import re  # 正規表現モジュールをインポート
import unicodedata  # Unicodeデータベースをインポート
import os  # OSモジュールをインポート

def pdf_to_txt(pdf_path, txt_path):
    # PDFファイルを開く
    pdf_document = fitz.open(pdf_path)
    all_text = []

    # PDFの各ページを処理
    for page_num in range(len(pdf_document)):
        page = pdf_document.load_page(page_num)
        text = page.get_text()

        # 改行を置換する
        text = text.replace('\n', '')

        # 全角スペース及び半角スペースを削除
        text = text.replace('　', '').replace(' ', '')

        # 各ページのテキストをリストに追加
        all_text.append(text)

    # 全ページのテキストを結合
    combined_text = ''.join(all_text)

    # ヘッダーやフッターなどの情報を除去
    pattern = r'(\d{0,10})?\(?(\d{0,10})?\)?JP\d{4}-\d{1,6}A\d{4}\.\d{1,2}\.\d{1,2}'
    combined_text = re.sub(pattern, '', combined_text)

    # 全角英数字を半角に変換
    combined_text = unicodedata.normalize('NFKC', combined_text)

    # .txtファイルを作成して書き込む
    with open(txt_path, 'w', encoding='utf-8') as txt_file:
        txt_file.write(combined_text)

def process_pdfs_in_folder(folder_path):
    # OUTPUTフォルダのパスを作成
    output_folder = os.path.join(folder_path, "OUTPUT")

    # OUTPUTフォルダが存在しない場合は作成
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    # フォルダ内の全ファイルを取得
    for file_name in os.listdir(folder_path):
        # PDFファイルのみを対象に処理
        if file_name.endswith('.pdf'):
            pdf_path = os.path.join(folder_path, file_name)
            txt_path = os.path.join(output_folder, f"{os.path.splitext(file_name)[0]}.txt")
            
            # PDFからテキストを抽出して.txtに保存
            pdf_to_txt(pdf_path, txt_path)

# 処理するフォルダのパス
folder_path = r'C:\py\PyMuPDF'

# フォルダ内のPDFファイルを処理
process_pdfs_in_folder(folder_path)