PDF内のテーブルからデータを抽出するC#

PDFからプログラムでテーブルを抽出する

PDFからテーブルを抽出することは、テーブルがさまざまな方法で作成されているため、簡単な作業ではありません。

Aspose.PDF for .NETには、テーブルを簡単に取得するためのツールがあります。テーブルデータを抽出するには、次の手順を実行する必要があります：

1. ドキュメントを開く - Document オブジェクトをインスタンス化します。
2. TableAbsorber オブジェクトを作成します。
3. TableListはAbsorbedTableのリストです。日付を取得するには、TableListを反復処理し、RowListとCellListを扱います。
4. 各AbsorbedCellにはTextFragmentsコレクションが含まれています。これを自分の目的で処理できます。

以下のコードスニペットもAspose.PDF.Drawingライブラリで動作します。

以下の例は、すべてのページから表を抽出する方法を示しています：

public static void Extract_Table()
{
    // Load source PDF document
    var filePath="<... enter path to pdf file here ...>";
    Aspose.Pdf.Document pdfDocument = new Aspose.Pdf.Document(filePath);                       
    foreach (var page in pdfDocument.Pages)
    {
        Aspose.Pdf.Text.TableAbsorber absorber = new Aspose.Pdf.Text.TableAbsorber();
        absorber.Visit(page);
        foreach (AbsorbedTable table in absorber.TableList)
        {
            Console.WriteLine("Table");
            foreach (AbsorbedRow row in table.RowList)
            {
                foreach (AbsorbedCell cell in row.CellList)
                {                                 
                    foreach (TextFragment fragment in cell.TextFragments)
                    {
                        var sb = new StringBuilder();
                        foreach (TextSegment seg in fragment.Segments)
                            sb.Append(seg.Text);
                        Console.Write($"{sb.ToString()}|");
                    }                           
                }
                Console.WriteLine();
            }
        }
    }
}

PDFページの特定の領域の表を抽出する

各吸収された表には、ページ上の表の位置を記述するRectangleプロパティがあります。

したがって、特定の領域に位置する表を抽出する必要がある場合、特定の座標で作業する必要があります。

次のコードスニペットもAspose.PDF.Drawingライブラリで動作します。

次の例は、四角注釈でマークされた表を抽出する方法を示しています：

public static void Extract_Marked_Table()
{
    // PDFドキュメントのソースを読み込む
    var filePath="<... PDFファイルへのパスをここに入力 ...>";
    Aspose.Pdf.Document pdfDocument = new Aspose.Pdf.Document(filePath);  
    var page = pdfDocument.Pages[1];
    var squareAnnotation =
        page.Annotations.FirstOrDefault(ann => ann.AnnotationType == Annotations.AnnotationType.Square)
        as Annotations.SquareAnnotation;


    Aspose.Pdf.Text.TableAbsorber absorber = new Aspose.Pdf.Text.TableAbsorber();
    absorber.Visit(page);

    foreach (AbsorbedTable table in absorber.TableList)
    {
        var isInRegion = (squareAnnotation.Rect.LLX < table.Rectangle.LLX) &&
        (squareAnnotation.Rect.LLY < table.Rectangle.LLY) &&
        (squareAnnotation.Rect.URX > table.Rectangle.URX) &&
        (squareAnnotation.Rect.URY > table.Rectangle.URY);

        if (isInRegion)
        {
            foreach (AbsorbedRow row in table.RowList)
            {
                foreach (AbsorbedCell cell in row.CellList)
                {

                    foreach (TextFragment fragment in cell.TextFragments)
                    {
                        var sb = new StringBuilder();
                        foreach (TextSegment seg in fragment.Segments)
                        {
                            sb.Append(seg.Text);
                        }
                        var text = sb.ToString();
                        Console.Write($"{text}|");
                    }
                }
                Console.WriteLine();
            }
        }
    }
}

PDFから表データを抽出し、CSVファイルに保存する

次の例は、表を抽出してCSVファイルとして保存する方法を示しています。 PDFをExcelスプレッドシートに変換する方法については、PDFをExcelに変換する記事を参照してください。

以下のコードスニペットは、Aspose.PDF.Drawingライブラリでも動作します。

public static void Extract_Table_Save_CSV()
{
    // 完全な例とデータファイルについては、https://github.com/aspose-pdf/Aspose.PDF-for-.NET にアクセスしてください

    // PDF文書をロード
    Document pdfDocument = new Document(_dataDir + "input.pdf");

    // ExcelSave Option オブジェクトをインスタンス化
    ExcelSaveOptions excelSave = new ExcelSaveOptions { Format = ExcelSaveOptions.ExcelFormat.CSV };

    // 出力をXLS形式で保存
    pdfDocument.Save("PDFToXLS_out.xlsx", excelSave);
}