tabulizerパッケージによるPDF表データからのデータ取得

PDFからの表データ取得: extract_tables

メインとなる関数がextract_tables()。この関数では引数に与えたPDFファイル（ローカル上でもウェブ上でも良い）に含まれる表からデータを抽出する。引数がいくつか用意されていて、PDFへのパス以外何も指定しない場合にはすべてのPDFのページを対象に表データの抽出を実行する。返り値は行列のリストが初期値となっている。

例として、{tabulizer}パッケージインストール時に付属するPDFファイルを対象に操作してみる。なおこのファイルは https://github.com/leeper/tabulizer/raw/master/inst/examples/data.pdf にあるものと同じなので、実行結果を比較してみたい方はリンク先のPDFを見てもらうと良いだろう。

path2pdf <- system.file("examples", "data.pdf", package = "tabulizer")
out <- extract_tables(path2pdf)
class(out) # リストクラス

## [1] "list"

# 表データの取り出し
out[[1]] %>% head()

##      [,1]   [,2]  [,3]    [,4]  [,5]   [,6]    [,7]    [,8] [,9] [,10] 
## [1,] "mpg"  "cyl" "disp"  "hp"  "drat" "wt"    "qsec"  "vs" "am" "gear"
## [2,] "21.0" "6"   "160.0" "110" "3.90" "2.620" "16.46" "0"  "1"  "4"   
## [3,] "21.0" "6"   "160.0" "110" "3.90" "2.875" "17.02" "0"  "1"  "4"   
## [4,] "22.8" "4"   "108.0" "93"  "3.85" "2.320" "18.61" "1"  "1"  "4"   
## [5,] "21.4" "6"   "258.0" "110" "3.08" "3.215" "19.44" "1"  "0"  "3"   
## [6,] "18.7" "8"   "360.0" "175" "3.15" "3.440" "17.02" "0"  "0"  "3"

Rで利用する場合はデータフレームであると何かと都合が良いので、データフレームとして取り出すオプションとして、引数methodが用意されている。*method*="data.frame"でリストの中身がデータフレームとして与えられるようになる。

out <- extract_tables(path2pdf, 
               pages = 2,
               method = "data.frame")

out

## [[1]]
##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1          5.1         3.5          1.4         0.2  setosa
## 2          4.9         3.0          1.4         0.2  setosa
## 3          4.7         3.2          1.3         0.2  setosa
## 4          4.6         3.1          1.5         0.2  setosa
## 5          5.0         3.6          1.4         0.2  setosa
## 6          5.4         3.9          1.7         0.4  setosa
## 
## [[2]]
##     X Sepal.Length Sepal.Width Petal.Length Petal.Width   Species
## 1 145          6.7         3.3          5.7         2.5 virginica
## 2 146          6.7         3.0          5.2         2.3 virginica
## 3 147          6.3         2.5          5.0         1.9 virginica
## 4 148          6.5         3.0          5.2         2.0 virginica
## 5 149          6.2         3.4          5.4         2.3 virginica
## 6 150          5.9         3.0          5.1         1.8 virginica

今回はpages引数で対象ページを指定した。ページ内に複数の表が存在する場合にはデータフレームも２つになる。

引数methodは既定値でmatrixだが、data.frameやcharacterも選べるようになっている。またさらなるオプションとして、取得結果をRのオブジェクトではなくcsvやtsv、json形式で保存するようにも設定できる。保存の際は作業ディレクトリではなくPDFが位置するディレクトリに作成される（ウェブ上のPDFを対象にすることはできない）。

extract_tables(path2pdf, 
               pages = 3,
               method = "csv")
# [1] "/Library/Frameworks/R.framework/Versions/3.3/Resources/library/tabulizer/examples"

表の部分的な抽出もarea引数の指定により可能となっている。これは１つのページから複数のテーブルデータを得る場合などに役立つ。areaはlist()でPDFの座標位置（上左下右の順番）を与える必要があるので闇雲に対象のデータがある座標を探すことになってしまうが、その際は次のlocate_areas()を利用すると良いだろう。

extract_tables(path2pdf, 
               pages = 2,
               area = list(c(126, 149, 212, 462)),
               method = "data.frame")

## [[1]]
##     X Sepal.Width Petal.Length Petal.Width Species
## 1 5.1         3.5          1.4         0.2  setosa
## 2 4.9         3.0          1.4         0.2  setosa
## 3 4.7         3.2          1.3         0.2  setosa
## 4 4.6         3.1          1.5         0.2  setosa
## 5 5.0         3.6          1.4         0.2  setosa
## 6 3.9         1.7          0.4      setosa

locate_areas(path2pdf, pages = 2, widget = "shiny")
# [[1]]
#      top     left   bottom    right 
# 123.6069 159.5029 208.3006 287.6879 

extract_tables(path2pdf,
               pages = 2,
               method = "data.frame",
               area = list(c(120, 150, 210, 280)))

## [[1]]
##   Sepal.Length Sepal.Width
## 1          5.1         3.5
## 2          4.9         3.0
## 3          4.7         3.2
## 4          4.6         3.1
## 5          5.0         3.6

extract_areas(path2pdf, pages = 2)
# [[1]]
#      [,1]          
# [1,] "Petal.Length"
# [2,] "1.4"         
# [3,] "1.4"         
# [4,] "1.3"         
# [5,] "1.5"         
# [6,] "1.4"         
# [7,] "1.7" 

メタ情報の取得: extract_metadata

関数extract_metadata()は対象PDFのメタ情報（タイトルやページ数、作成日など）を取得する関数となっている。PDFの概要を知りたい場合に便利だろう（pdftools::pdf_info()と同様の機能）。

# extract_metadata関数によって取得されるメタデータ
extract_metadata(path2pdf) %>% names()

##  [1] "pages"    "title"    "author"   "subject"  "keywords" "creator" 
##  [7] "producer" "created"  "modified" "trapped"

表サイズの確認

これはextract_tables()での引数areaの指定に役立つと思われる。

get_page_dims(path2pdf)

## [[1]]
## [1] 612 792
## 
## [[2]]
## [1] 612 792
## 
## [[3]]
## [1] 612 792

get_n_pages(path2pdf) # ページ数

## [1] 3

PDFの分割と結合: split_pdf / merge_pdfs

PDFを分割したり、複数のPDFを結合する関数が用意されている。

# 一時フォルダに各ページのPDFが保存される
(sf <- split_pdf(path2pdf))
# [1] "/var/folders/8f/s_lbgwks6q7g3lz52q93ngph0000gn/T//Rtmpx4BCAz/data1.pdf" "/var/folders/8f/s_lbgwks6q7g3lz52q93ngph0000gn/T//Rtmpx4BCAz/data2.pdf"
# [3] "/var/folders/8f/s_lbgwks6q7g3lz52q93ngph0000gn/T//Rtmpx4BCAz/data3.pdf"

# PDFを結合
merge_pdfs(sf, "merge.pdf")

PDFのサムネイル生成

pdftools::pdf_render_page()と同じように、PDFの各ページについてサムネイル画像を生成する関数が用意されている。make_thumbnails()にPDFのパスを与えると、PDFがあるフォルダにpng形式の画像ファイルが生成される（出力先や画像ファイルの拡張子は引数の指定により変更可能。）

make_thumbnails(path2pdf,
                pages = 1,
                format = "png",
                resolution = 72L,
                outdir = "inst/")