請求書、注文書などがメールでやり取りされる際にPDFが多く用いられる。
PDFが媒体となると、システム同士の電子的なやりとりから一歩遠ざかり、手作業が多く出現する。
PDFでの書面やり取りのうち、画像PDF化ではなく、アプリから出力されたPDFは劣化がないので、OCR読取の精度が高いと考えられる。
実際業務では、例えば、
メールでPDF注文書を受信、PDFを見ながら受注記録に手作業で転記、
もしくはPDFの該当項目を選択コピーして所定場所へペースト
といったことが日常的かつ高頻度で実行される。
PDFの受信は不可避として、この転記を極力減らしたい。
そこで、
PDFに込められた情報を読取り、所定のリスト形式に変換
したい。
■方法１：直接PDFを読む
PDF上の情報の読取はOCRではなく、pythonライブラリで直接抽出する方法がある。
pynupdf
この方法は簡単であるが、情報の順序の認識がやや難儀となる。
実際例
セル、行の概念が崩れるので、目的の情報を抽出困難になる。
■方法２：OCRソフトでPDFからEXCELに移す
一方で、pythonでEXCELのセル内容を読み出すことは容易である。
ということは、PDFを一旦EXCELに移し替えることさえできればよい。
そういうソフトは多々存在するが、画像OCRもできる下記アプリケーションが優れているらしい。
読取革命16
https://www.sourcenext.com/product/yomitorikakumei/?gpc=0000014028
これは画面コピー（スクリーンショット）の変換や、印刷送付された書類の変換にも対応できそうである。が、画像OCRは必要ない場合は単純に費用ロス。
■方法３：pdfをWORDやEXCELに変換、それをpythonで読む。
OCRソフトでなくてWORD自体から読む方法があるようだ。
EXCELだとPowerrQueryの出番。これだと操作しにくい。
そこでとりあえず確実なWORDで読み出して試す。
まずは以下のようにpdfからdocx文書を創生、保存
次にdocx文書から表組みを読み出す。
使用ライブラリ：docx
pip install python-docx
注意！
pip install docx python2用docxライブラリになり、python3で使えない。
#コード例
#WORD文書を読み出す
import docx
path_docx = "C:/Users/shienkikou11/Desktop/testpdf.docx"
document = docx.Document(path_docx)
for paragraph in document.paragraphs:
print(paragraph.text)
for table in document.tables:
for row in table.rows:
list = []
for cell in row.cells:
list.append(cell.text.replace("\n",""))
print(list)
１：元データ（PDFを画像で表示したもの）
２：WORDに取り込み
表形式を完全に保持できている。ただしセル内改行がある
３：pythonで読み出し、リスト化
リスト化できた！！！
あとはどうにでもなる。
残課題１：表からはみ出た部分の認識
（テキスト化はできるから、どうやってターゲットを見出すか）
残課題２：表内のターゲットセルの抽出
（すでにリストだから、セルを指定するだけ）
取り急ぎ、目処はついた！