PDFからExcelへの転記を自動化。手入力の絶望から救ってくれたPythonライブラリ『pdfplumber』の使い方

請求書PDF、手入力の悪夢

午後3時。薄暗い蛍光灯の下、経理部門のデスクで私は固まっていた。画面に表示されているのは、取引先から送られてきたZIPファイルの山だ。解凍すると、100件以上の請求書PDFがフォルダに溢れかえった。「これ、今日の夕方までにExcelにまとめといて」
上司の軽い一言で。私の定時退社は完全に幻となった。

最初はコピペで済むと甘く見ていた。PDFを開き、該当箇所をマウスでドラッグする。Ctrl+Cを押して、隣の画面で開いたExcelにCtrl+V。しかし、貼り付けられたデータを見て絶望した。「株式会社」と「〇〇」の間に謎の改行が入り、金額のカンマが消え去り。挙句の果てには複数列の数字が1つのセルに詰め込まれている。何度やり直しても結果は同じだ。レイアウトが崩れ去ったExcelシートを前に、「結局。手で打ったほうが早いのか」という残酷な真実に直面した。

手作業入力の苦痛

まず、デュアルモニターの片方にPDF、もう片方にExcelを全画面で開く。Alt+Tabで画面を切り替えながら、請求金額、日付。取引先名をひたすら手で打ち込み始めた。手作業のペースは1件につき約3分。100件なら300分。丸5時間がこの単純作業に消える計算だ。人間である以上、必ず入力ミスが起きる。入力後のダブルチェックも必須となり、私のその日の午後は完全に消滅した。肩は凝り固まり、ドライアイで目は霞む。「こんな作業、人間がやるべきことじゃない」。その静かな怒りだけが、キーボードを叩き続ける原動力だった。

PDFの構造が生む不便さ

なぜPDFはこんなにも融通が利かないのか。怒りに震えながら調べていくうちに。PDFというフォーマットが持つ根本的な思想に突き当たった。PDFの正式名称は「Portable Document Format」。つまり、どんなOSやプリンター環境で開いても。文字の位置やレイアウトが「紙に印刷したときと全く同じように」正確に再現されることを至上命題として作られた規格だ。この強固な仕様が、データ抽出においては最大の障壁となる。

PDFの内部データは。WordやExcelのように「ここは表の1行目」「ここは段落の始まり」といった論理的な構造を一切持っていない。「X軸が150、Y軸が200の場所に。フォントサイズ12で『請求書』と描画しろ」
このような座標指定の命令が。ただ延々と並んでいるだけなのだ。画面上で人間が「美しい表」として認識しているものは。単に直線と文字列が絶妙な座標で組み合わさっているだけの「絵」にすぎありません。

PDFコピペの現実：データ構造の溝

次に、だから、マウスで文字の塊をドラッグしても。PDF側は「表のデータをコピーされた」とは認識しない。指定された範囲にある文字列を。論理的な順序も無視してクリップボードへ無造作に放り込む。この「目に見える文字」と「実際のデータの構造」の間にある果てしなく深い溝。それを理解したとき、PDFに対する怒りは諦めへと変わった。PDFとはそういう生き物なのだ。気合いや根性でコピペを頑張ったところで、根本的な解決には至らない。ソフトウェアの構造という物理法則には逆らえありません。

pdfplumberの魔法、PDF表を完全抽出

絶望の淵から私を救い出したのが、Pythonというプログラミング言語と。「pdfplumber」というライブラリだった。PythonでPDFを読み取るためのライブラリは無数に存在する。最初は定番のPyPDF2というものを試したが、結果は惨敗だった。テキストを抽出できても、空白が無視されて単語がくっついたり。表の中身が単なるテキストの羅列になってしまったりと。手作業のコピペとなんら変わらない荒い出力しか得られなかった。「やはりPDFの自動化は不可能に近いのか」と諦めかけたとき。海外の技術フォーラムでpdfplumberの存在を知った。

このライブラリの最大の特徴は、PDF内の文字や線の「座標情報」を徹底的に解析してくれる点にある。
そして何より衝撃的だったのが、`.extract_table()`という魔法のようなメソッドだ。
この関数は、PDFのページ内にある「直線」の交差や、文字の配置間隔を自動で計算し、「人間が見ているのと同じように」表の構造を認識してくれる。

PDFデータ化の魔法

一方で、VSCodeの黒い画面に、たった1行のコードを書き込む。PDFのファイルパスを指定し、このメソッドを実行してみた。Enterキーを叩いた瞬間、ターミナル上に美しい二次元のリストが吐き出された。セルごとのデータがきれいにカンマで区切られ、行ごとに改行されている。手作業で必死に直していたあの「コピペの崩れ」が一切ない。PDFの堅い装甲が透明になり。その奥にある純粋なデータだけを素手で掴み取ったような感覚に陥った。「これだ。これで帰れる」
薄暗いオフィスで、私は一人、静かにガッツポーズをした。魔法は実在したのです。

クロップ機能で請求書抽出

表データを取得できるだけでも革命的だったが、実務の請求書はそれほど甘くない。多くの請求書において、肝心な「取引先名」や「請求金額の合計」は。表の中には入っていない。右上の余白にぽつんと印字されていたり、表の真下に大きく書かれていたりする。これらをどうやって正確に取得するのか。ここで活躍したのが、pdfplumberの「クロップ機能」です。

クロップとは、文字通りPDFのページを特定のサイズで「切り抜く」機能である。ページ全体からテキストを探すのではなく、「左端から300ポイント。上から50ポイントの位置から始まる四角形」というように座標の枠（Bounding Box）を指定する。そして、その枠の内部に存在するテキストだけを狙い撃ちで抽出するのです。

座標調整の試行錯誤、自動抽出の確信

そのため、最初は、この座標を見つける作業に苦戦した。指定した枠が小さすぎて金額の最後の「円」が切れてしまったり。逆に枠が大きすぎて隣の「発行日」の文字まで混入したりする。プログラムを実行してはエラーを確認し、X座標とY座標の数値を微調整する。そのトライアンドエラーの繰り返しだ。しかし、この手間は最初の一回だけだ。フォーマットが同じ請求書であれば、一度完璧な座標を見つけてしまえば。あとは永遠に同じ場所を読み取り続けてくれる。

抽出した文字列から。さらにPythonの文字列操作を使って不要な空白や「様」という文字を取り除く処理を加える。ターミナルに「株式会社〇〇」と「500000」というノイズのないきれいなデータが出力されたとき。私は確信した。このスクリプトがあれば、どんなPDFでも恐れるに足らありません。

大量PDFをPythonで自動Excel化

1枚のPDFから必要な情報を完璧に抜き出せるようになった。しかし、現場の課題は「大量のファイルをどう処理するか」である。毎月送られてくるPDFは100枚を超える。これを1ファイルずつ手動でプログラムに渡していては。自動化の意味が半減してしまう。そこで、Pythonの標準ライブラリである「glob」の力を借りることにした。

しかし、globは、指定したフォルダ内にある特定の条件に合致するファイルを一網打尽に集めてくれる強力なモジュールだ。
指定したパスの拡張子を検索する1行を書くだけで、フォルダ内のすべてのPDFファイルのパスがリスト化される。
あとは、for文を使ってこのリストをループさせるだけだ。
1枚目のPDFを開き、取引先名と合計金額をクロップ機能で抜き出す。表の中から特定の明細行を`.extract_table()`で取り出す。それらのデータを辞書型にまとめて配列に格納する。
これを100回繰り返すのです。

Excel出力の自動化と劇的時短

そして最終段階。抽出したデータの配列を、データ分析ライブラリである「pandas」に渡す。pandasのDataFrameに変換すれば、`to_excel()`というメソッド一つで、瞬時にExcelファイルとして書き出すことができる。
準備は整った。100枚のPDFが入ったフォルダを用意し、スクリプトを実行する。
ターミナルには処理中のファイル名が次々と高速で流れていく。
わずか10秒後。プロンプトが静止し、フォルダに「まとめデータ.xlsx」が生成された。

ダブルクリックして開くと、そこには美しい表が完成していた。100社分の取引先名、日付、金額が、1セルのズレもなく整然と並んでいる。5時間かかっていた絶望の手作業が、たった10秒の待ち時間に変わった。鳥肌が立つほどの達成感が全身を駆け抜けた。

重労働からの解放、本質業務へ

さらに、この自動化スクリプトが完成してから、私の仕事のやり方は劇的に変わった。以前は月末月初になるたび、PDFの山を前にして憂鬱な気分になっていた。単純作業の遅れが焦りを生み、ミスを誘発し。さらに残業が増えるという負の連鎖に陥っていたのだ。今では、ZIPファイルを解凍して一つのフォルダに放り込み。Pythonのスクリプトを実行するだけだ。コーヒーメーカーのスイッチを入れ、マグカップにお湯が注がれるのを待つ間に。すべての転記作業が完了している。

手入力から解放されたことで得た最大のメリットは。単に「時間が空いた」ことではない。精神的な余裕が生まれたことだ。そして、その空いた時間を使って。抽出したExcelデータを基にした「経費の月次推移の分析」や「異常値のチェック」といった。人間本来の「考える仕事」に取り組めるようになった。データの転記は、あくまで業務の準備段階にすぎない。その準備に人間の貴重なリソースをすり減らすのは、あまりにももったいないことです。

PDF重労働からの解放、Python

もしあなたが今、大量のPDFを前にして途方に暮れているなら。コピペと手入力の無限ループに疲れ果てているなら。ぜひ、Pythonとpdfplumberの世界に足を踏み入れてみてほしい。プログラミングの経験がなくても構わない。エラーが出ても、AIが解決策を即座に教えてくれる時代だ。重労働から自分自身を解放し、本来やるべき仕事に時間を使う。そのための強力な武器は、確実にそこにある。

関連リンクとチェックリスト

学習サービスとアンケート