そもそもそのPDFはテキスト抽出に耐えうるものか?

一口にPDFといっても様々な経歴を辿って、そのPDFファイルの姿をしています。まずはそもそもPythonでデータ抽出できるPDFなのかどうかを見極めましょう。

スキャンした画像をPDF化したファイルからテキストを抽出したい...まずはOCRソフトウェアを利用しましょう。OCRを利用したあと、そのテキストを抽出する際、Pythonを利用できると思います。

表が含まれていて、テキストというよりは表データとして抽出したい...Tabulaなど、それ専用のソフトウェアを利用した方が、後々楽ちんです。

自分が作ったファイルではないが、WordやExcelで作成したらしきファイルからデータ抽出したい...最新ヴァージョンのWordやExcelでは、それらのアプリケーションで作成したPDFファイルを、再度編集可能な状態で読み込むことができるようです。もしかして、と思ったら念の為トライしてみてください。

以上に該当しなければ、適用可能性があると思います。市販されてる書籍の該当部分を紹介します。何が触れられているかのみご紹介しますので、ご興味がでたらぜひ書籍を手にとってみてください。

「退屈なことはPythonにやらせよう――ノンプログラマーにもできる自動化処理プログラミング」

PyPDFというパッケージを利用した書き方が紹介されています。目次から該当箇所を紹介しますとこんな感じです。

・13.1.1　PDFからテキストを抽出する
・13.1.2　PDFの暗号を解く
・13.1.3　PDFを作成する
　　・13.1.3.1　ページをコピーする
　　・13.1.3.2　ページを回転する
　　・13.1.3.3　ページを重ね合わせる
　　・13.1.3.4　PDFを暗号化する

13.2　プロジェクト：多数のPDFから指定したページを結合する
13.2.1　ステップ1：すべてのPDFファイルを探す
13.2.2　ステップ2：PDFを開く
13.2.3　ステップ3：ページを追加する
13.2.4　ステップ4：結果を保存する
13.2.5　類似プログラムのアイデア

公式サイトによると、以下の機能を取り揃えています。

・テキスト抽出
・メタ情報抽出
・ページごとの分割
・ページごとの合体
・切り抜き
・複数ページのPDFを1ページに
・PDFファイルの暗号化と復号化

テキスト抽出は、PDFに含まれるテキストデータがまるごと抽出されます。

「現場で使える！Python自然言語処理入門」

Apache TikaというJavaで書かれたソフトウェアのPython APIを利用しています。

・2.1.4 PDF、Wordなどからの入手

内容はPDFファイルからの読み込みと表示確認程度となります。出力されるjsonの中で"content"の中に、PDFに含まれるテキストデータがまるごと抽出されます。

テキストデータを抽出したあとは？

抽出したテキストデータは、文書構造を持っていません。まずは不要な要素を削除する必要があるでしょう。たとえば以下のようなものがありえます。

・ページ数表記
・注釈
・ヘッダの文書タイトル
・文章途中の不要な改行

見出しテキストも、平文のテキストと区別ができません。筆者もこれからトライするところですが、見出しテキストに段落番号がついていれば、それを利用してマークダウン形式に変換することも出来るかもしれません。