PDFの表をExcelに抽出する方法
要点: PDFの表をExcelに移すには、PDFをExcelに変換するツールを開き、検出は自動のままにします。ブックには、目次シート、テキストシート、全ページの画像、見つかった表ごとの実セルのシートが入ります。
グループ
ハウツーガイド
ハウツーガイド: PDF guidance for reliable document processing and quality checks.
メインツール
PDFをExcelに変換
この記事からツールを開き、今の言語のまま処理できます。
ツールを開く目次
PDFの表をExcelに移す方法
レポートの中に表があり、打ち直さずに再計算したい。そんなときに使えるツールですが、実際にできることは名前以上です。テキストをそのまま書き出すのではなく、役割の異なる複数のシートからなるブックを作ります。最初に実行する前に、そのブックの構成を知っておくと役に立ちます。
ダウンロードしたファイルの中身
結果は1枚のデータシートではありません。シートごとに役割が違うブックです。
| シート | 内容 |
|---|---|
| 目次 | ページの一覧と、ほかのシートへのリンク |
| テキスト | 文書のテキスト(1ページにつき1行) |
| ページN | PDFのページ全体の画像 |
| 表N.M | 検出された表(実際のセルとして) |
いちばん下の行が、この作業の目的です。表のシートには、数式を設定できるデータが入ります。ページ画像とテキストのシートは、表が検出されなかった場合の保険です。どちらにしても、内容は手元に残ります。
目次シートは目次と同じ働きをします。ページ番号、そのページのシートへのリンク、見当をつけるための本文の1行目が並びます。リンクはブック内のシートへ移動します。
3つの検出モード
検出パラメーターを変えると、ツールがセルの境界を探す方法が変わります。結果に最も大きく影響するのがこの設定です。
| モード | 表の見つけ方 | ブックの内容 |
|---|---|---|
| 自動 | 罫線をもとに検出 | テキストを含むすべてのシート |
| 厳密 | 罫線をもとに、交差の条件を厳しく判定 | テキストのシートなし |
| ゆるやか | 罫線に頼らず、テキストの位置をもとに検出 | すべてのシートに加え、ページ全体のテキストをセルのコメントに保存 |
既定は自動です。厳密は、罫線の判定が厳しいだけではありません。ブックからテキストのシートを除き、表と画像だけを残します。結果をそのまま次の処理に渡すときに、余分なシートが邪魔になる場合に向いています。
ゆるやかは、罫線のない表を検出できる唯一のモードです。ただし代償は小さくありません。
副作用もありますが、本来の機能より役立つことがあります。ゆるやかモードでは、ページ全体のテキストが、画像シートの最初のセルに付いたコメントに入ります。カーソルを合わせれば、テキストのシートに切り替えなくてもページの内容を確認できます。
検証でわかったこと
検証に使った文書は、1ページ目に2つの表があります。1つは罫線のある表、もう1つは罫線がなく、列がそろっているだけの表です。
自動と厳密で見つかったのは1つ目だけでした。3行3列で、値も正しい位置に完全に移りました。
ゆるやかは両方を検出しましたが、1つの格子にまとめてしまい、途中で単語を列の境目で分割しました。「Region」は「Re」と「gion」の2つのセルに、「North」は「No」と「rth」になりました。数字の900は「9」と「00」に分かれ、データ行の間に空行も入りました。
実用上の結論は次のとおりです。まず自動で試します。表が見つからず、しかも文書に罫線が本当にないときだけゆるやかに切り替えてください。ただし、手作業で組み直す時間は見込んでおく必要があります。得られるのは素材であり、完成品ではありません。
逆の場合もあります。PDFの表が罫線で描かれているのに結果が空なら、モードのせいではありません。文書にテキストレイヤーがない可能性が高いです。
表を移す手順
1. PDFをExcelに変換 オンラインを開き、文書をアップロードします。 2. 最初は検出を自動のままにします。 3. 処理を実行して、ブックをダウンロードします。 4. 目次シートを開き、表のシートに移動します。 5. 数行の数値を、隣のシートにあるページ画像と見比べて確認します。 6. 表が見つからなかった場合は、ゆるやかモードでやり直します。
5番目の手順が成り立つのは、ページ画像が同じブックに入っているからです。移した内容を原本と照らし合わせるのに、Excelから出る必要はありません。
結合セルと並べ替え
セルの結合スイッチは、初期設定でオンです。元の表で複数の列にまたがっているセルが対象で、オンにすると本物の結合セルとして復元され、元の見た目が再現されます。
オフにすると、そうしたセルは通常のセルに分割されます。値は先頭のセルに残り、ほかは空になります。
データをどう使うかで選んでください。
表を読んだり印刷したりするだけなら、結合はオンのままにします。結果が元の表と一致します。
データを並べ替え、フィルター、ピボットテーブルにかけるなら、オフにしてください。Excelは、結合セルを含む範囲の並べ替えを受け付けず、すべて同じサイズにするよう求めます。あとから手作業で結合を解除するより、先にスイッチを切るほうが早く済みます。
ファイルが思ったより重い理由
PDFの各ページは、フルサイズの画像を持つ独立したシートとしてブックに入ります。画像は、ほぼ2倍の解像度で描画されます。結果の重さのほとんどは、この画像です。
小さなテスト文書では、差がとくに目立ちます。元のPDFは2 KBでしたが、ブックは約45 KBになりました。実際のレポートではメガバイト単位になり、増えるのは表の数ではなくページ数に比例します。
データだけが必要で、画像が邪魔なら、余分なシートはExcelの中で数回の操作で削除できます。保存すると、ファイルは軽くなります。
スキャンと、テキストレイヤーのない表
このツールはテキストを読み取るもので、認識するものではありません。スキャンした表は、ツールにとってはただの画像です。ブックにはページ画像が入りますが、テキストのシートは空で、どのモードでも表は見つかりません。
対処は変換の前に行います。ファイルをオンラインPDF OCRにかけてテキストレイヤーを作り、そのあとで表計算に変換してください。順番を逆にしても意味がありません。Excelで認識させるものが残っていないからです。
同じ方法は、テキストはあっても傾いている文書にも効きます。斜めから撮ったページは、まっすぐなページより認識の精度が下がります。認識の前に傾きを直すと、結果が目に見えて変わります。
制限、警告、関連ツール
あるページで表の検出に失敗しても、ジョブ全体は止まりません。ブックは完全な形で届き、該当ページを示す警告がレスポンスに含まれます。そのページからは表が得られませんが、画像とテキストは残ります。テキストを読み取れなかったページも同様です。
文書を開くためのパスワードが設定されている場合は処理できません。PDFのロック解除 オンラインで保護を外してください。印刷やコピーだけを制限するパスワードは、表の抽出の妨げになりません。
1ページに複数の表がある場合、表ごとに別のシートが作られ、名前はページ番号とそのページ内での表の位置から付きます。Excelにはシート名の長さの上限があるため、長い名前は切り詰められ、重複する名前には数字の接尾辞が付きます。
文書から欲しいのが表ではなく編集用のテキストなら、フローモードのPDFをWordに変換 オンラインを使います。同じ表検出機能が、Wordでは本物のWordの表として移します。完成したブックをPDFに戻したいときは、ExcelをPDFに変換 オンラインを使います。
著者
サービスチームが作成し、Sergey Gaginがサービスの責任者を務めています。
よくある質問
このグループの他の記事
ハウツーガイド
PDFを編集可能なWordに変換する方法
Wordで開けたのにカーソルがテキストに入らない? 初期設定だと画像になる理由、フローと完全コピーの違い、ヘッダーが消える仕組みを解説します。
ハウツーガイド
PDFのページを抽出して新しいファイルにする方法
必要なページだけを別のPDFとして取り出す方法。2つの出力モードの違い、アーカイブ内のファイルが元のページ番号を保つ理由、サイズ保持をオフにした場合の動作を解説します。
ハウツーガイド
PDFの余白と不要な部分をトリミングする方法
トリミングはページの表示範囲だけを変え、範囲外の内容はファイルに残ります。実際に何が起きるか、余白が全ページに一括で効く理由、回転したページでの挙動を説明します。
関連ツール
PDFをExcelに変換
PDFの表のデータをExcelに取り出して、計算、フィルター、並べ替えができるようにします。
ExcelをPDFに変換
Excelのスプレッドシートをレイアウトが固定されたPDFにして、印刷や送信をしやすくします。
オンラインPDF OCR
スキャンPDFに検索・コピーできるテキスト層を追加します。OCRの言語や品質を選び、認識結果を確認してください。
PDFをWordに変換
PDFをWord文書に変換して、テキストの編集、セクションの追加、変更ができるようにします。