自治体やお役所のオープンデータの取り組みは以前に比べて多くなってきているが、問題はその公開フォーマット。 機械的に読み取って再利用したい側としては構造化されたテキストである JSON、あるいは XML、せめて CSV でほしいところだが、PDF でのみという場合も多い。 文章を PDF から抽出するのはそれほど難しくはないが、表を表の形のまま、抽出するのはなかなか難しい。行やカラムがずれたり、セルの中の改行をうまく扱えなかったりする。 これまで、自治体等が公開しているデータがどうしても PDF のみの場合に、コピー&ペーストしたり、入力しなおしたりと苦労してきたが、やっとうまく表データを抽出できるツールTabulaを見つけた。 Tabula は表の抽出に特化したツールではあるが、表の形を保ったままテキストを抽出できる。 オフィシャルサイト: Tabula: Extract Tables f
![PDFの表を表のまま読み取るには tabula - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/5ed4546b8bfbe537cdfecd928fa82324b64efb38/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZ3PTk3MiZoPTM3OCZ0eHQ9UERGJUUzJTgxJUFFJUU4JUExJUE4JUUzJTgyJTkyJUU4JUExJUE4JUUzJTgxJUFFJUUzJTgxJUJFJUUzJTgxJUJFJUU4JUFBJUFEJUUzJTgxJUJGJUU1JThGJTk2JUUzJTgyJThCJUUzJTgxJUFCJUUzJTgxJUFGJTIwdGFidWxhJnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9NTYmcz1lYTUzMDhkNDg1MTgwZjcxYzY5YTMyYzg2OGVhNTM3OA%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBIZVJvJnR4dC1jb2xvcj0lMjMyMTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz04YzJhZTZjMjQ5NzljNGY0YjVkNDk3MjJiZjVhMWU5ZQ%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3D97f0805332ca26c44666479ffcf9bf7e)