Zenn
🧩

PythonからPDFファイルをテキスト化する(pypdfium2/pypdf編)

2024/05/12に公開
Python
PDF
tech

Pythonを使いPDFファイルをテキスト抽出する機会があったので、pypdfium2とpypdfの使い方をメモ。

現時点では、比較できるほど使い込んではいない。

要件

  • 言語は日本語
  • 複数ページのPDFファイル
  • レイアウトは1段
  • Pythonから使いたい
  • スピードは不要

選定

GitHub 上にPythonのPDFライブラリを様々な観点から比較しているベンチマークレポジトリがある

https://github.com/py-pdf/benchmarks/blob/main/

具体的には、テキスト抽出(Text Extraction Quality)の上位は以下の通り

上位3ライブラリの中から、 pypdfium2 と pypdf で実際にテキスト抽出するところまでを動作確認

pypdfium2

精度が一番よかった pypdfium2 は Google が提供する pdfium の Python バインディング。

$ pip install -U pypdfium2 でインストール完了

読み取るだけなら、使い方は極めて簡単。

'''
複数ページのPDFファイルをテキスト表示

$ pip install -U pypdfium2
'''

import sys
import pypdfium2 as pdfium

pdf = pdfium.PdfDocument(sys.argv[1])

for page in pdf:
    textpage = page.get_textpage()
    text = textpage.get_text_range()
    print(text)

pypdf

精度が2番手の pypdf は20年近い歴史のある PDF ライブラリ。

pdfium のような外部ライブラリに依存せず、Pythonだけで書かれている。

2023年から pypdf のブランディングになっているが、歴史的には、オーナーシップの変更等により pyPdf → PyPDF2 → PyPDF3/PyPDF4 → PyPDF2 → pypdf(今ココ)という変遷をたどっている。

$ pip install -U pypdf cryptography でインストール完了

PDFファイルがパスワード保護されている場合、 pypdf.errors.DependencyError: cryptography>=3.1 is required for AES algorithm というエラーが発生するため、 cryptography ライブラリもインストールが必要。

読み取るだけなら、使い方は極めて簡単。

'''
複数ページのPDFファイルをテキスト表示
$ pip install -U pypdf cryptography
'''
import sys
from pypdf import PdfReader

reader = PdfReader(sys.argv[1])

for page in reader.pages:
    text = page.extract_text()
    print(text)

Discussion