PDF Processing Pro

本番環境対応のPDF処理ツールキット。事前構築スクリプト、包括的なエラーハンドリング、複雑なワークフロー対応。

クイックスタート

PDFからテキストを抽出

import pdfplumber

with pdfplumber.open("document.pdf") as pdf:
    text = pdf.pages[0].extract_text()
    print(text)

PDFフォームを分析（付属スクリプト使用）

python scripts/analyze_form.py input.pdf --output fields.json
# 返り値: すべてのフォームフィールド、タイプ、位置を含むJSON

検証付きでPDFフォームを入力

python scripts/fill_form.py input.pdf data.json output.pdf
# 入力前にすべてのフィールドを検証、エラーレポート付き

PDFからテーブルを抽出

python scripts/extract_tables.py report.pdf --output tables.csv
# 自動列検出付きですべてのテーブルを抽出

機能

✅ 本番環境対応スクリプト

すべてのスクリプトには以下が含まれます：

• エラーハンドリング: 詳細なエラーメッセージ付きの適切な失敗処理
• 検証: 入力検証とタイプチェック
• ログ記録: タイムスタンプ付きの設定可能なログ
• 型ヒント: IDE対応の完全な型アノテーション
• CLIインターフェース: すべてのスクリプトの --help フラグ
• 終了コード: 自動化用の適切な終了コード

✅ 包括的なワークフロー

• PDFフォーム: 完全なフォーム処理パイプライン
• テーブル抽出: 高度なテーブル検出と抽出
• OCR処理: スキャンPDFテキスト抽出
• バッチ処理: 複数PDFの効率的な処理
• 検証: 処理前後の検証

高度なトピック

PDFフォーム処理

完全なフォームワークフロー：

• フィールド分析と検出
• 動的フォーム入力
• 検証ルール
• 複数ページフォーム
• チェックボックスとラジオボタン処理

FORMS.md を参照してください

テーブル抽出

複雑なテーブル抽出：

• 複数ページテーブル
• セルの結合
• ネストされたテーブル
• カスタムテーブル検出
• CSV/Excelへのエクスポート

TABLES.md を参照してください

OCR処理

スキャンPDFと画像ベースのドキュメント：

• Tesseract統合
• 言語対応
• 画像前処理
• 信頼度スコアリング
• バッチOCR

OCR.md を参照してください

付属スクリプト

フォーム処理

analyze_form.py - フォームフィールド情報を抽出

python scripts/analyze_form.py input.pdf [--output fields.json] [--verbose]

fill_form.py - PDFフォームをデータで入力

python scripts/fill_form.py input.pdf data.json output.pdf [--validate]

validate_form.py - 入力前にフォームデータを検証

python scripts/validate_form.py data.json schema.json

テーブル抽出

extract_tables.py - テーブルをCSV/Excelに抽出

python scripts/extract_tables.py input.pdf [--output tables.csv] [--format csv|excel]

テキスト抽出

extract_text.py - フォーマッティング保持付きでテキストを抽出

python scripts/extract_text.py input.pdf [--output text.txt] [--preserve-formatting]

ユーティリティ

merge_pdfs.py - 複数PDFをマージ

python scripts/merge_pdfs.py file1.pdf file2.pdf file3.pdf --output merged.pdf

split_pdf.py - PDFを個別ページに分割

python scripts/split_pdf.py input.pdf --output-dir pages/

validate_pdf.py - PDFの整合性を検証

python scripts/validate_pdf.py input.pdf

一般的なワークフロー

ワークフロー1: フォーム送信を処理

# 1. フォーム構造を分析
python scripts/analyze_form.py template.pdf --output schema.json

# 2. 送信データを検証
python scripts/validate_form.py submission.json schema.json

# 3. フォームを入力
python scripts/fill_form.py template.pdf submission.json completed.pdf

# 4. 出力を検証
python scripts/validate_pdf.py completed.pdf

ワークフロー2: レポートからデータを抽出

# 1. テーブルを抽出
python scripts/extract_tables.py monthly_report.pdf --output data.csv

# 2. 分析用にテキストを抽出
python scripts/extract_text.py monthly_report.pdf --output report.txt

ワークフロー3: バッチ処理

import glob
from pathlib import Path
import subprocess

# ディレクトリ内のすべてのPDFを処理
for pdf_file in glob.glob("invoices/*.pdf"):
    output_file = Path("processed") / Path(pdf_file).name

    result = subprocess.run([
        "python", "scripts/extract_text.py",
        pdf_file,
        "--output", str(output_file)
    ], capture_output=True)

    if result.returncode == 0:
        print(f"✓ 処理完了: {pdf_file}")
    else:
        print(f"✗ 失敗: {pdf_file} - {result.stderr}")

エラーハンドリング

すべてのスクリプトは一貫したエラーパターンに従います：

# 終了コード
# 0 - 成功
# 1 - ファイルが見つからない
# 2 - 無効な入力
# 3 - 処理エラー
# 4 - 検証エラー

# 自動化での使用例
result = subprocess.run(["python", "scripts/fill_form.py", ...])

if result.returncode == 0:
    print("成功")
elif result.returncode == 4:
    print("検証失敗 - 入力データを確認してください")
else:
    print(f"エラーが発生: {result.returncode}")

依存関係

すべてのスクリプトに必要：

pip install pdfplumber pypdf pillow pytesseract pandas

OCR用オプション：

# tesseract-ocrシステムパッケージをインストール
# macOS: brew install tesseract
# Ubuntu: apt-get install tesseract-ocr
# Windows: GitHubリリースからダウンロード

パフォーマンスのコツ

• 複数PDFの場合はバッチ処理を使用
• --parallel フラグで並列処理を有効化（対応スクリプト）
• 抽出データをキャッシュして再処理を避ける
• 入力の検証を早期に実行して迅速に失敗する
• 大きなPDF（>50MB）にはストリーミングを使用

ベストプラクティス

1. 処理前に常に入力を検証
2. カスタムスクリプトではtry-exceptを使用
3. すべての操作をログ記録してデバッグに備える
4. 本番環境前にサンプルPDFでテスト
5. 長時間実行操作にはタイムアウトを設定
6. 自動化では終了コードをチェック
7. 変更前にオリジナルをバックアップ

トラブルシューティング

よくある問題

「モジュールが見つかりません」エラー：

pip install -r requirements.txt

Tesseractが見つからない：

# tesseractシステムパッケージをインストール（依存関係を参照）

大きなPDFでのメモリエラー：

# 全体をロードする代わりにページごとに処理
with pdfplumber.open("large.pdf") as pdf:
    for page in pdf.pages:
        text = page.extract_text()
        # ページをすぐに処理

パーミッションエラー：

chmod +x scripts/*.py

ヘルプを表示

すべてのスクリプトは --help をサポート：

python scripts/analyze_form.py --help
python scripts/extract_tables.py --help

特定のトピックの詳細ドキュメントについては、以下を参照：

• FORMS.md - 完全なフォーム処理ガイド
• TABLES.md - 高度なテーブル抽出
• OCR.md - スキャンPDF処理