PDF を CSV に変換することは可能ですが、それがどの程度うまく機能するかは、ほぼ完全に、PDF 内のデータが適切なテーブルで構造化されているかどうかによって決まります。そうなれば、結果は素晴らしいものになります。データが自由形式のテキストまたはスキャンされた形式である場合、プロセスにはいくつかの追加手順が必要です。
PDF から CSV への変換がうまく機能する場合
CSV 変換は、PDF に明確に定義されたテーブル (請求書の概要、財務諸表、在庫リスト、エクスポートされたレポートなど、一貫したデータを含む行と列) が含まれている場合に最適に機能します。 PDF を Excel に変換するツールは通常、後でスプレッドシートを CSV としてエクスポートし、クリーンでインポート可能なファイルを作成できます。
ネイティブ デジタル PDF (スキャンではなくソフトウェアから直接作成されたもの) は、テーブル構造が画像から推測されるのではなくファイルのデータに埋め込まれているため、スキャンされたドキュメントよりも正確に変換されます。
PDF テーブルを CSV に変換する方法
最も信頼性の高い 2 段階のアプローチは、まず PDF を Excel に変換し、次にスプレッドシートを CSV として保存することです。 PDF を WukongPDF の PDF to Excel ツールにアップロードし、結果の .xlsx ファイルをダウンロードして Excel または Google スプレッドシートで開き、CSV としてエクスポートまたはダウンロードします。
Excel で、[ファイル] > [ファイル] に移動します。 「名前を付けて保存」し、形式リストから「CSV (カンマ区切り)」を選択します。 Google スプレッドシートで、[ファイル] > [ファイル] に移動します。ダウンロード >カンマ区切り値 (.csv)。どちらも、CSV 入力を受け入れるデータベース、分析ツール、またはアプリケーションにインポートできる標準の CSV ファイルを生成します。
PDF を CSV ツールに転送
一部のツールでは、Excel の中間ステップを必要とせずに、PDF から CSV への直接変換を提供します。 Tabula は、PDF からテーブルを CSV または TSV 形式に抽出するために特別に設計されたよく知られたオープンソース オプションです。これは、PDF レポートを分析パイプラインにフィードする必要があるデータ ジャーナリズムや研究ワークフローで特に人気があります。
Tabula を使用すると、抽出する特定の表の周囲に選択ボックスを描画できます。これは、PDF ページに混合コンテンツ (グラフ、脚注、本文の横にある表) が含まれている場合に役立ちます。選択アプローチにより、CSV 出力を乱雑にする周囲のコンテンツを取り込むことが回避されます。
スキャンされたPDFをCSVに変換しています
スキャンされた PDF では、テーブル データを抽出する前に OCR が必要です。これがないと、ツールは表ではなく画像を認識し、行と列を識別できません。まずスキャンされた PDF を OCR PDF ツールで実行してテキスト レイヤー バージョンを作成し、次に OCR 出力を PDF-to-Excel または PDF-to-CSV コンバーターに送ります。
テーブルの OCR 精度は、スキャンの品質とテーブルの複雑さに依存します。明確な境界線と一定の間隔を持つシンプルなテーブルは、きれいに変換されます。結合されたセル、色付きの背景、または一貫性のない配置を含む高密度のテーブルは、変換後にスプレッドシートで手動でクリーンアップする必要がある場合があります。
変換後の CSV のクリーンアップ
適切に変換された場合でも、PDF からの CSV ファイルは通常、実際に使用できるようになる前にクリーンアップが必要です。一般的な問題には、改ページが発生した余分な空白行、各 PDF ページで繰り返され複数回表示されるヘッダー行、テキスト文字列として取り込まれた数値、計算を中断する数値フィールド内の通貨記号やカンマなどがあります。
最初にスプレッドシート アプリで CSV を開いて簡単なレビューを行ってからデータベースまたは分析ツールにインポートすると、インポート エラーを事後的にデバッグする場合に比べて時間を節約できます。