ForHosting KIT · PDF・文書ツール

PDFテキストから表を抽出

Cable、25、1.20のようにタブでそろった値のページが、名前付きの3列と3行のデータを持つ表になります。列のそろっていない文章は、無理に表にせず受け付けません。ブラウザで無料で使えます。

  • 無料
  • ブラウザで動作
  • 登録不要
  • データは端末の外に出ません
ご利用方法 ウェブAPIメールTelegramアプリ 近日

OCRやAIの推測を介さず、PDFからテキストを抽出した後でその中の数値を実際に使えるようにする、決定論的なステップです。

生のPDFテキストから構造化された表へ

テキスト抽出ツールでPDFページを処理すると、表は平坦なテキスト行として返ってきます。値がタブや2つ以上のスペースの隙間で区切られて整列しているため、人間には列が見えますが、プログラムには見えません。この機能がその隙間を埋めます。

ページの生の行をお送りいただくと、システムが整列した列を見つけます。各行は検出された区切り文字で分割され、行間で繰り返される列数が表の形として採用され、各行がセルに切り分けられます。デフォルトでは先頭行がヘッダーになるため、出力は名前付きのcolumns配列とデータのrows配列になり、オブジェクトへの変換やデータフレームへの読み込みがそのまま行えます。

すべて決定論的で、同じテキストからは常に同じ表が得られるため、OCRやビジョンモデルが静かなばらつきを持ち込む自動化パイプラインでも安心です。失敗した呼び出しは課金されません。

解析が実際にどう動くか

まず空行が捨てられ、残りの各行がセルに分割されます。autoモードでは、いずれかの行にタブが含まれていればタブを使い、なければ2つ以上のスペースの連続にフォールバックします。delimiterパラメータでどちらかの戦略を強制することもできます。少なくとも2つのセルに分割される行だけが表の候補です。

その中で、解析器は繰り返し現れる列数、つまり分布の最頻値を探します。本物の表とは列数が一致する行の集まりなので、列数の異なる行(折り返された段落、はみ出したフッター)は脇に置かれます。どの列数も2回以上繰り返されない場合、または候補行が2行未満の場合、入力は拒否されます。

ヘッダーなしのデータでは無効にすれば、合成名がすべての行に適用されます。

どこに適合し、何ではないか

PDFデータパイプラインの第2段階としてお使いください。自動化する前にページのテキストを貼り付けてお試しいただけます。一回限りの作業にも便利です。

何ではないかも明確にしておきます。PDFファイル自体は読みません。すでに抽出済みのテキストを対象にします。

スキャンされたページはテキストレイヤーがないため処理できません。表の画像にはOCRベースの機能をお使いください。そして対象は整列した列であって散文ではありません。

流れるような文章は、偽の表に歪められるのではなく、拒否されます。

レポート取り込みパイプラインを自動化する

テキスト抽出ツールの後に各ページで解析器を実行し、表を含むページだけを読み込みます。それ以外はクリーンに拒否され、課金されません。

PDFファイルを直接読みますか?

いいえ。 お客様が提供する1ページ分の生のテキストレイヤーを解析します。まずPDFテキスト抽出ツールでテキストを抽出し、その行をここに送信してください。

どの列区切り文字に対応していますか?

タブ、または2つ以上のスペースの連続です。自動モードがページで使われている方を検出します。delimiterパラメータでタブまたはスペースを強制することもできます。

スキャンしたPDFでも動作しますか?

いいえ。 スキャンは画像であり、解析するテキストレイヤーがありません。スキャン文書にはOCR表抽出をお使いください。この機能は選択可能なテキストを持つデジタルPDF向けです。

ドキュメントは保存されますか?

いいえ。 テキストはメモリ上で処理され破棄されます。返されるのは解析済みの表だけです。

表の途中に折り返した文章や欄外の注記があるとどうなりますか?

列の数がほかの行と合わない行は表から外されます。表は列の数がそろった行の集まりとして判断されるため、折り返した段落やページ下の注記が表に混ざることはありません。

このページの機能はすべてAPIからも利用できます。自社システムに組み込みたいチーム向けのセクションです。それ以外の方は上のツールをそのままお使いください。

POSThttps://api.kit.forhosting.com/pdf/extract-tables

Bearerトークンで認証し、POST1回でタスクをキューに登録します。結果はWebhookまたは署名付きリンクで受け取れます。

curl -X POST https://api.kit.forhosting.com/pdf/extract-tables \
  -H "Authorization: Bearer $KIT_KEY" \
  -H "Content-Type: application/json" \
  -d '{"text":"Item\tQty\tUnit price\nWidget\t12\t9.99\nGadget\t3\t24.50"}'
{
  "text": "Item\tQty\tUnit price\nWidget\t12\t9.99\nGadget\t3\t24.50"
}
{
  "task_id": "tsk_a1b2c3d4e5f6a1b2c3d4e5f6",
  "type": "pdf.extract_tables",
  "status": "queued",
  "_links": {
    "result": "/tasks/tsk_…/result"
  }
}

非同期APIです。task_idは即時に返ります。ポーリングは1秒あたり1リクエストまでです。

1リクエストあたり$0.002

単価はすべて公開しています。トークン換算や独自クレジットはありません。失敗したタスクは課金されません。

max_mb1
max_lines5000
HTTPコード意味
401unauthorizedAPIキーが無効か、指定されていません。Authorizationヘッダーを確認してください。
402insufficient_balance残高が不足しています。チャージ後に再度お試しください。
404unknown_type指定されたタスクタイプは存在しません。タイプ名を確認してください。
429rate_limitedリクエストが多すぎます。しばらく待ってから再度お試しください。

PDFテキストから表を抽出するAPIは、PDFページの生のテキストレイヤー(テキスト抽出ツールが返す行で、列がタブや連続するスペースで整列しているもの)を受け取り、列名・データ行・件数を含むクリーンで構造化された表に変換します。出力はJSONで、スプレッドシート、データベースへのインポート、スクリプトにそのまま渡せます。

生のPDFテキストから構造化された表へ

ページに整列した列がない場合、表をでっち上げるのではなく、明確なinvalid_inputエラーで失敗します。

解析が実際にどう動くか

見つけるべき表がないからです。has_headerが有効な場合、表の先頭行が列に名前を付けます。空または重複したヘッダーセルはcol_1、col_2などに置き換えられ、出力のすべての列名が使える状態になります。

どこに適合し、何ではないか

テキスト抽出ツールでテキストレイヤーを抽出し、表を含む各ページでこのエンドポイントを呼び出し、結果の行を必要な場所に読み込みます。解析は純粋なテキスト処理なので、エッジでミリ秒単位で実行され、1回$0.002で、このページでは同じコードがブラウザで無料で動きます。レポートページのテキストを貼り付け、JSONを取得し、あと1ステップでCSVに変換できます。

PDFページから価格表を復元する

ページのテキストを抽出して送信すると、品目・数量・単価の列がJSON行として返り、スプレッドシートへのインポートにそのまま使えます。

ヘッダーなしのデータダンプを変換する

has_header=falseでヘッダー検出を無効にすれば、スペース整列のリストのすべての行に安定したcol_1..col_nという名前が付きます。

料金はいくらですか?

1回の呼び出しにつき$0.002です。同じ解析器はこのページでブラウザ上でも無料で動作するため、APIで自動化するときだけお支払いいただきます。

テキストに表がない場合はどうなりますか?

整列した列が見つからなかったことを示すinvalid_inputエラーで呼び出しが失敗します。無効な呼び出しは課金前に拒否されるため、費用はかかりません。

KITの完全なドキュメントを見る →