import pdfplumber
import re

# PDFからテキストを抽出する関数
def extract_text_from_pdf(pdf_path):
    text = ""
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            text += page.extract_text()  # 各ページのテキストを取得
    return text

# 金額と日付を抽出する関数
def extract_amounts_and_dates(text):
    # 金額の正規表現パターン
    amount_pattern = r'¥\s?(\d{1,3}(?:,\d{3})*)'
    # 日付の正規表現パターン
    date_pattern = r'(\d{4})-(\d{2})-(\d{2})'

    # 請求金額を特定 ("合計" の後に出現する金額)
    total_amount = re.search(r'金額:\s*' + amount_pattern, text)
    if total_amount:
        total_amount = total_amount.group(1)

    # 支払期日を特定 ("支払期日" の後に出現する日付)
    payment_date = re.search(r'支払期日:\s*' + date_pattern, text)
    if payment_date:
        payment_date = f"{payment_date.group(1)}-{payment_date.group(2)}-{payment_date.group(3)}"
    
    return total_amount, payment_date

# メイン処理
def main(pdf_path):
    # PDFからテキストを抽出
    text = extract_text_from_pdf(pdf_path)
    
    # 金額と日付を抽出
    total_amount, payment_date = extract_amounts_and_dates(text)
    
    # 結果を表示
    print("請求金額:", total_amount)
    print("支払期日:", payment_date)

# PDFファイルのパスを指定して実行
pdf_path = "Fake_Invoice.pdf"  # 処理するPDFファイルのパスを指定
main(pdf_path)

こちらのファイルを実行すると、

請求金額: 500,000
支払期日: 2024-10-20

という結果を得られました。次に、今回のPythonコードの説明をさせていただきます。

ライブラリ

PythonでPDFファイルを処理するために必要な2つのライブラリをインポートしています。1つ目は”pdfplumber”で、 PDFファイルを開いてテキストを抽出するために使います。2つ目は”re”で、 特定の文字列（今回は金額や日付）をテキスト内から見つけ出すために使います。

extract_text_from_pdf関数

extract_text_from_pdf関数では、PDFファイルからすべてのテキストを抽出して1つの文字列にまとめています。

extract_amounts_and_dates関数

日付と金額は、正規表現を使用して絞っております。具体的には、amount_patternで”¥”の後にカンマ付きの数字の形式となっているものを探します。また、date_patternで”YYYY-MM-DD”形式の日付を探します。

次に、total_amountで”金額:”の後ろがamount_patternのパターンになっている文字列を抽出します。これは、請求書の支払金額が「金額:\○○〇,〇〇〇」の形式で記載されていることを前提としています。

さらに、payment_dateで”支払期日:”の後ろがdate_patternのパターンになっている文字列を抽出します。こちらも、請求書の支払期日が「支払期日:yyyy-mm-dd」の形式で記載されていることを前提としています。

main関数

そして、main関数で全体の処理を行います。extract_text_from_pdf(pdf_path)で、指定されたPDFファイルからすべてのテキストを抽出します。次に、extract_amounts_and_dates(text)で、抽出したテキストから支払金額と支払期日を探します。最後に、print()で、結果をコンソールに表示します。

次に、異なる形式の請求書(Fake_Invoice2.pdf)で金額と日付の抽出を行います。

こちらの請求書では、支払金額は”合計：”の右に記載され、支払期日は”支払期日：”の右に記載されています。また、一つのpdfに複数の請求書データがまとめられているため、支払金額や支払期日も複数抽出する必要があります。これらの支払金額と、支払期日を抽出するために先ほどのコードの一部を変更してみました。

import pdfplumber
import re

# PDFからテキストを抽出する関数
def extract_text_from_pdf(pdf_path):
    text = ""
    with pdfplumber.open(pdf_path) as pdf:
        for page in pdf.pages:
            text += page.extract_text()  # 各ページのテキストを取得
    return text

# 金額と日付を抽出してペアで返す関数
def extract_amounts_and_dates(text):
    # 金額の正規表現パターン
    amount_pattern = r'(\d{1,3}(?:,\d{3})*)\s*円'
    # 日付の正規表現パターン
    date_pattern = r'(\d{4})\s*年\s*(\d{1,2})\s*月\s*(\d{1,2})\s*日'

    # 複数の金額を抽出
    total_amounts = re.findall(r'合計：\s*' + amount_pattern, text)
    
    # 複数の支払期日を抽出
    payment_dates = re.findall(r'支払期日：\s*' + date_pattern, text)

    # 金額と日付をペアにする
    paired_data = []
    
    for amount, (year, month, day) in zip(total_amounts, payment_dates):
        payment_date = f"{year}-{month.zfill(2)}-{day.zfill(2)}"
        paired_data.append((amount, payment_date))
    
    return paired_data

# メイン処理
def main(pdf_path):
    # PDFからテキストを抽出
    text = extract_text_from_pdf(pdf_path)
    
    # 金額と日付を抽出してペアにする
    paired_data = extract_amounts_and_dates(text)
    
    # 結果を表示
    for i, (amount, date) in enumerate(paired_data, start=1):
        print(f"支払情報 {i}:")
        print(f"  請求金額: {amount} 円")
        print(f"  支払期日: {date}")
        print("-" * 20)

# PDFファイルのパスを指定して実行
pdf_path = "Fake_Invoice2.pdf"  # 処理するPDFファイルのパスを指定
main(pdf_path)