PDF の表を Excel に変換

PDF の表を Excel に変換する

1. PDF を置く. .pdf をドロップします。読み取るのはこのタブの JavaScript です。
2. ページを選ぶ. 表が見つかったページが一覧に出ます。中身を見ながら選びます。
3. 書き出す. .xlsx なら全ページが 1 ページ 1 シートで入ります。CSV は表示中のページだけです。

なぜコピペだと列が崩れるのか

この作業のいちばん普通のやり方は、PDF ビューアで表を選択してコピーし、Excel に貼る ——「PDF の表を Excel に貼り付ける方法」を説明した記事はいくらでもあります。 そして、たいてい崩れます。

理由は PDF の構造にあります。PDF は表を表として持っていません。 持っているのは「この文字を、この座標に置く」という指示の列だけです。 行も列もセルも、人間が見て初めて成り立つもので、ファイルの中には書かれていません。 だからコピーすると、その座標の情報が落ちて、文字だけが順番に並んで出てきます —— 結果が 1 列に潰れるのはそのためです。

このページがやっているのは、落ちてしまうその座標を使って表を組み直すことです。

罫線ではなく「縦の余白」で列を見つけている

列の切れ目を罫線から探す方法は、意外とうまくいきません。PDF の文字情報の中に罫線は 入っていませんし、そもそも罫線のない表も珍しくないからです。

代わりに使っているのは余白です。ページ上の全部の文字が横方向のどこを占めているかを 重ね合わせると、どの行にも文字が来ない縦の帯ができます。それが列の境界です。 左揃えでも右揃えでも中央揃えでも同じように効きます —— 文字の左端だけを見る方法は、 金額のような右揃えの列で崩れます。

表題や注記の行は、この計算から外しています。見分け方は横にどれだけ伸びているか —— 表の行はテーブルの幅いっぱいに渡りますが、表題や本文はページの一部にしか 広がりません。この 1 本を混ぜてしまうと、列の隙間がふさがって表がまるごと 1 列に潰れます（実際そうなりました）。

列の隙間は最低でも 1 文字ぶんあることを条件にしています。これより狭い隙間まで 列の境界にすると、ＡＢＣ株式会社 保守料 のような語の間の空きで セルが割れてしまうためです。裏を返すと、列がぴったり詰まった表は列がくっついたまま 出ます —— 分けられないものを分けたことにして中身をずらすより、そのまま出したほうが 直せるからです。

スキャンした PDF は読めません

紙をスキャンした PDF、スマホで撮った書類の PDF は、このページでは読めません。 中身が画像 1 枚で、文字情報が入っていないからです。文字として取り出すには OCR（光学文字認識）が必要で、このページは OCR をしません。

判定は簡単です。PDF ビューアで表の文字を選択できるか試してください。 選択できれば文字情報があり、このページで読めます。選択できず全体が 1 枚の絵として しか掴めないなら、スキャン PDF です。

この検索結果には AI-OCR 製品を紹介する記事も並んでいます。スキャン PDF が対象なら、 必要なのは確かにそちらです。ここで「できます」と書いてしまうと、 ファイルを置いて何も出てこない、という結果になるだけなので、正直に書いておきます。

ページごとに 1 枚の表として出します

PDF は 1 ページ目が明細で 2 ページ目が内訳、ということが普通にあります。 列の構成が違うページを勝手に連結すると、列がずれた 1 枚の表ができあがり、 しかもエラーは出ません。だからこのページはページごとに独立して列を判定し、 表が見つかったページを一覧に出します。

.xlsx でダウンロードすると、全ページが「1 ページ = 1 シート」で 1 つのブックに 入ります。CSV は 1 枚の表しか持てない形式なので、表示中のページだけです。

崩れやすいものは崩しません

先頭にゼロの付く番号（郵便番号・伝票番号）は文字列のまま、16 桁を超える ID も 指数表記になりません。全角の社名や全角数字も書き換えずにそのまま出します —— 元の帳票がそう書いているものを、こちらの都合で半角に直したりはしません。

文字と文字の間の空白も足しません。PDF は見出しの「金額」を 金 と 額 に割って持っていることがあり、機械的につなぐと「金 額」になります —— 日本語は文字の間に空白を入れないので、それは元の帳票を書き換えたことになります。 実際の間隔を見て、離れていたときだけ空白を入れます。

アップロードしない、そしてそれは確かめられます

PDF はこのタブの JavaScript が解析します。ページの中にアップロード先はありません —— ブラウザの開発者ツールでネットワークタブを開いたまま操作してみてください。 データを載せたリクエストは一つも出ません。

この検索結果で上位に来ているツールは 2 つあり、どちらもファイルをサーバーに 送ります。ところが PDF から表を取り出したい書類は、たいてい請求書・給与明細・ 取引先の名簿 —— 送りたくないものばかりです。2 分の作業のために、 その中身を他社に預ける必要はありません。

毎月同じ PDF が届くなら

これは「いま手元にある 1 つ」を開く道具です。毎月同じ形式の PDF が届いて、 毎月同じ表にする必要があるなら、それは変換ではなく仕組みの話です。 TableDI 2 は、毎期やり直すファイル作業のためのデスクトップアプリです。ソース・ルール・納品のしかたをジョブとして保存するので、来月は新しいファイルを入れてもう一度実行するだけ。すべてあなた自身のパソコンの中で動きます。 ただし PDF のままソースにできるのは文字情報のある銀行明細だけで、 スキャンは読めません。それ以外の表の PDF は、このページで .xlsx にしてから入れてください。