初回の検証結果

単純な表は一致。
結合セルには、補完が必要だった。

pdfplumber 0.11.9で、自作の日本語PDFを4種類試しました。数字の文字列が一致していても、すぐに集計できるとは限りません。

結果の一覧

本文のみを管理番号で照合。見出し・注記は採点対象外です。数値内容の一致は桁区切りを外して比較したもので、Excel上の数値型の一致ではありません。T3は表が抽出されず、一致セルは0としています。

「数字が合う」と「集計できる」は別

T1とT4は本文の文字列がすべて一致しました。しかし、今回の抽出直後の値は文字列です。先頭ゼロを残す管理番号と、計算に使う金額・数量では、Excelへ渡す際に必要な扱いが異なります。

T2では数量・単価・金額の24セルはすべて一致。一方、縦結合された分類を一行ずつ持たせるには、6セルを補完する必要がありました。これは分類の文字を読めなかったという意味ではなく、結合された構造を集計用の表へ展開する作業です。

画像だけのPDFは、今回の方法では抽出できず

T3はT1を画像にしてPDFに埋め込んだ対照資料です。見た目は同じでも、内部に文字の情報を持ちません。今回のOCRなしの処理では、表は0件でした。OCR機能がある製品の精度は、この試験からは判断できません。

時間と再現性について

各PDFを3回ずつ開いて抽出し、3回とも同じ出力でした。記録した時間はプログラムの抽出処理だけです。設定、Excelへの読み込み、型の変換、人による確認・修正は含みません。人の修正時間は未測定のため、時短効果は掲載していません。

今回の結論

罫線のある単純な自作表では文字列を取り出せました。集計まで進めるには、結合セルの展開と列ごとの型の設定が必要です。画像PDFは別の方法を検証する必要があります。

この結果だけでは有料ソフトを買う理由はまだ確認できていません。今後、同じ入力を使って、出力の型や補完の手間を含めて比較します。