PDFをCSVに変換

PDFは、どのプリンターや画面でもページを同じ見た目にするために1993年にAdobeが作成した形式で、2008年にオープン標準のISO 32000-1となりました。役割は、グリフを正確な座標に配置することです。ほとんどのPDFには、データとしての表は存在しません。明細書は、たまたま列状に並んだ文字の断片と、その間に引かれた線の集まりです。

このため、PDFビューアーから表計算ソフトに表をコピーすると、すべてが1列に貼り付けられたり、金額と説明が結合されたりすることがよくあります。2001年のPDF 1.4で導入され、アクセシビリティ標準のPDF/UA(ISO 14289)で必須とされるタグ付きPDFでは実際の表のセルを示せますが、銀行のシステムやレポートツールが出力することはまれです。そのため、コンバーターは位置情報から格子を再構築する必要があります。

最も多いのは、銀行やカードの明細書です。多くの銀行では、直近数か月分はCSVやOFXでダウンロードできますが、古い明細書はPDFしか提供されません。そのため、YNAB、表計算の家計簿、会計士のソフトに1年分の履歴を取り込む人は、PDFを変換することになります。取り込み時に日と月が入れ替わらないよう、日付は ISO のままにしてください。

次に多いのは、仕入先の価格表や在庫レポートです。卸売業者がPDFカタログを送ってくるため、店舗の運営者は商品を更新するためにSKUと価格を行データとして必要とします。研究者やジャーナリストは、政府や年次報告書の表をRやpandasで分析するために抽出しますが、その入力にはCSVが最適です。フラットな行ではなく構造化レコードが必要なパイプラインには、同じ表を見出し名をキーとしたオブジェクトで書き出すPDFをJSONに変換があります。

結果を信用する前に、必ず合計を照合してください。CSVの合計がPDFに印刷された合計と一致すれば、行の分割や欠落がないことをすばやく確認できます。