PDFテーブル抽出
テキストベースのPDFから表を抽出し、CSVとしてダウンロードできます。各ページのテキストを位置ごとに行にまとめ、複数の列を持つ行が続く箇所を特定し、水平方向の位置に合わせてセルを整列します。これはヒューリスティックな方法のため、特に結合セルや折り返されたテキストを含む表は結果を確認してください。
よくある質問
表はどのように検出されますか?
同じベースライン上のテキストを1行とし、フォントの高さの約0.8倍を超える間隔があると新しいセルとして扱います。2つ以上のセルを含む行が2行以上続くと表になります。列の範囲はセルの水平方向の位置から決まるため、左揃えと右揃えのどちらの列も扱えます。
スキャンしたPDFでも使えますか?
いいえ。テキストレイヤーを読み取るため、テキストレイヤーのないスキャンページからは何も抽出できません。まずOCRにかけ、その結果を使ってください。
複数行に折り返されるセルはどうなりますか?
テキストの各行がそれぞれ独立した行になるため、折り返されたセルは、その列だけに値が入った行を余分に生成します。複数列にまたがる見出しによって、列が結合されることもあります。書き出した後、表計算ソフトで該当する行を確認してください。
複数の表がある場合、何がダウンロードされますか?
表が1つの場合はCSVファイルとしてダウンロードされます。複数の表がある場合は、表ごとにCSVを1つ含むZIPファイルとしてダウンロードされます。ファイル名はpage-1-table-1.csvなどになります。区切り文字、引用符、改行を含む値は引用符で囲まれ、行末にはCRLFを使用します。
対象ページを指定できますか?
はい。たとえば1-3,5のようにページを指定すると、そのページだけを読み取ります。すべてのページを対象にするには、欄を空のままにしてください。
利用上限はありますか?
最大10 MB、200ページ、200テーブル、合計20,000行、テーブルあたり100列のPDFに対応しています。