【Python】PDFからテーブルデータを抽出する方法｜tabulaとcamelotの使い分け

帳票やレポートなど、PDFに表形式のデータが埋め込まれているケースは多く見られます。これらをCSVやExcelとしてデータ化することで、二次利用や分析が可能になります。

Pythonでは「tabula」と「camelot」という2つのライブラリが主に使われますが、特性や精度に違いがあります。

この記事では、それぞれの使い方と得意・不得意な場面を比較しながら、PDFから表データを抽出する方法を紹介します。

準備：Javaのインストール（tabula用）

tabula-pyはJavaベースのTabulaをPythonから操作するため、事前にJavaが必要です。

• Javaのインストール：https://www.java.com/ja/

tabulaのインストールと使い方

pip install tabula-py

import tabula

# PDFからすべてのテーブルを抽出
dfs = tabula.read_pdf("sample.pdf", pages="all", multiple_tables=True)

# 結果を確認・保存
for i, df in enumerate(dfs):
    df.to_csv(f"table_tabula_{i+1}.csv", index=False)

特徴：

• Javaベースで安定性が高い
• 表の罫線が明確にある場合は非常に高精度
• 日本語のPDFにも強い

camelotのインストールと使い方

camelotはPythonネイティブで動作するOCR不要のPDFテーブル抽出ライブラリです。

pip install "camelot-py[cv]"

import camelot

# 1ページ目からテーブルを抽出（stream or lattice モードを選択）
tables = camelot.read_pdf("sample.pdf", pages="1", flavor="lattice")

# CSVとして保存
tables.export("tables_camelot.csv", f="csv", compress=False)

特徴：

• Pythonのみで動作（Java不要）
• 表の罫線がない場合は「stream」モードで抽出可能
• 細かなパラメータ調整で柔軟性あり

tabulaとcamelotの比較

応用：複数ページから一括抽出

# tabula
dfs = tabula.read_pdf("report.pdf", pages="1-5", multiple_tables=True)

# camelot
tables = camelot.read_pdf("report.pdf", pages="1-5", flavor="stream")

まとめ

PDFに含まれる表データは、tabulaとcamelotを使うことで高精度に抽出できます。罫線の有無や日本語の扱い、実行環境などに応じて使い分けることで、効率よく業務データをCSVやExcelとして整形可能です。

両方試して結果を比較し、案件に応じて最適な手法を選択するのがおすすめです。