MOONGIFT[B!]新着記事・評価 - はてなブックマーク (original) (raw)

PDFは改変されづらいフォーマットですが、書かれている情報を抜き出したいと思うことは良くあります。その多くが帳票や一覧データからのデータ抜き出しです。便利なフォーマットの反面、目的のデータがシステム的に処理しづらいのが難点です。 そこで使ってみたいのがtabula-javaです。コマンド一つで表形式のデータを抜き出せます。 tabula-javaの使い方 AWSの請求書からデータを抜き出してみます。形式はJSONとしてみました。 $ java -jar tabula-1.0.4-jar-with-dependencies.jar -f JSON pdf/hoge.pdf [{"extraction_method":"lattice","top":340.04214,"left":35.97931,"width":540.0157470703125,"height":101.99786376