PDFからExcelへの表抽出方法：5つの方法を比較

Excelに取り込みたい表が含まれるPDFをお持ちですか？それは財務報告書、銀行取引明細書、請求書、あるいは研究論文かもしれません。データは画面上にきれいに整理された行と列で表示されています。しかし、それを抽出してみると、すべてがバラバラになってしまいます。

これは、PDFがデータ形式ではなく表示形式であるためです。PDFの仕様には、「テーブル」、「行」、「列」という概念はありません。構造化された表のように見えるものは、実際にはキャンバス上の特定のx,y座標に配置された多数のテキスト断片です。その構造をスプレッドシートに抽出することは、リバースエンジニアリングの問題であり、さまざまなツールがさまざまな成功度でこれを処理します。

このガイドでは、PDFから表を抽出する5つの方法、それぞれの最適な使用時期、そして問題が発生した場合の対処法について説明します。

PDFからの表抽出が難しい理由

PDF形式には表がない

PDF仕様（ISO 32000-2:2020）は、個々の文字を正確な座標に配置するオペレーターのシーケンスであるコンテンツストリームを定義しています。たとえば、「日付 | 説明 | 金額」のような単純な表の行は、次のように保存される場合があります。

BT /F1 10 Tf 72 650 Td (01/15/2026) Tj 200 0 Td (Office Supplies) Tj 180 0 Td (125.00) Tj ET

<table>、<tr>、<td>タグはありません。行の識別子もありません。列の境界もありません。セルを囲むように見える線は、テキストとは完全に切り離された個別の描画操作です。抽出ツールは、空間的な関係から全体の構造を推測する必要があります。

3種類の表罫線

罫線付き（格子）表は、各セルに目に見える線があります。これらの線はセルの境界を明確に定義するため、抽出が最も簡単です。正式な財務諸表、政府のフォーム、標準化されたレポートでよく見られます。

罫線なし（ストリーム）表は、線がまったくありません。構造は空白の配置によってのみ定義されます。行全体で一貫したx座標を共有するテキスト項目が、暗黙の列を形成します。研究論文、請求書、製品カタログでよく見られます。

半罫線表は、部分的な罫線のみを持ちます。通常、セクション間には水平線がありますが、垂直の区切り線はありません。銀行取引明細書、証券レポート、公共料金の請求書で非常に一般的です。これらの表は、部分的な罫線が格子モードのパーサーを誤解させ、罫線がないことがストリームモードの信頼性を低下させるため、抽出が最も困難です。

タグ付きPDFとタグなしPDF

タグ付きPDFには、見出し、段落、表セルを識別する構造メタデータが含まれています。タグなしPDFにはこれらがなく、抽出ツールは生の座標のみを取得します。ほとんどのPDFはタグなしであり、事実上すべての銀行取引明細書、請求書、財務報告書が含まれます。

方法1：PDFSub 表抽出（無料＋AIフォールバック）

PDFSubの表抽出ツールは、コストを最小限に抑えながら精度を最大化する3段階のアプローチを使用しています。

ステージ1：座標ベース検出（ブラウザ、無料）

ツールはまず、ブラウザ内で完全に抽出を試みます。

• PDFコンテンツストリームを解析して、x,y座標を持つすべてのテキスト項目を抽出します。
• y座標の近接性に基づいてテキスト項目を行にグループ化します。
• 行全体のx座標の配置パターンを分析して、列の境界を検出します。
• 最低3行、2列、70%以上の信頼性が必要です。

良好な表が見つかった場合、構造化されたデータを即座に取得できます。サーバーへのアップロードなし、AIクレジットの消費なし、ファイルがデバイスを離れることはありません。

ステージ2：サーバーサイド抽出（pdfplumber、無料）

座標ベース検出で表が見つからない場合、ツールはサーバー上でpdfplumber（MITライセンス）を使用します。これは、明示的な線（描画された罫線）と暗黙の線（単語の配置パターン）の両方を検出し、交差を見つけ、長方形を識別し、テキストをセルにマッピングします。

ステージ3：AI抽出（クレジット使用）

スキャンされたPDF、複雑なレイアウト、またはルールベースの方法で解析できない表の場合、ツールはAI搭載のビジョン抽出にフォールバックします。表が複雑であることがわかっている場合は、「AI抽出を強制」を切り替えて、このステージに直接スキップすることもできます。

出力形式： Excel（.xlsx）、CSV、JSON。

最適な用途： ソフトウェアをインストールせずに迅速に抽出する場合。デジタルPDFは、最大限のプライバシーのために完全にブラウザで処理されます。

方法2：ExcelのPower Query（Windowsのみ）

Excel 2019以降およびWindows上のMicrosoft 365で利用可能：データ → データの取得 → ファイルから → PDFから。

仕組み

1. データ → データの取得 → ファイルから → PDFからをクリックします。
2. PDFファイルを選択します。
3. Power Queryに、検出された表がページごとにリストされたナビゲーターパネルが表示されます。
4. 必要な表を選択し、データの変換をクリックしてクリーンアップしてから、読み込みをクリックします。

強み

• Excelに組み込まれている - Microsoft 365サブスクライバーに追加料金なし
• Power Queryの変換エンジンは、後処理（下方向フィル、ピボット、列のマージ）をうまく処理します。
• ソースPDFが更新された場合、データを更新できます。
• 同じPDFから複数のテーブルに接続できます。

制限事項

• Windowsのみ - Excel for Mac、Excel Online、モバイルでは利用できません。
• 罫線なし表には苦労する - 明確な罫線付き表で最も効果的です。
• OCRなし - スキャンされた/画像PDFから抽出できません。
• 複数ページの表は問題がある - 各ページが個別の表としてインポートされることが多く、手動での結合が必要です。
• 複数行のセル - セル内の折り返しテキストは、複数の行に分割されることが多く、クリーンアップが必要です。

最適な用途： シンプルで罫線付きの表を持つWindowsユーザーで、Microsoft 365を利用している場合。

方法3：Adobe Acrobat（有料）

ファイル → PDFを書き出し → スプレッドシート → Microsoft Excelワークブック

価格（2026年）

• Acrobat Standard：月額12.99ドル（年間プラン）
• Acrobat Pro：月額19.99ドル（年間プラン）
• Export PDF（スタンドアロン）：より低価格の変換専用プラン

強み

• スキャンされたドキュメント用のOCRが組み込まれています。
• 通常、シンプルな罫線付き表の書式を保持します。
• Proではバッチ処理が可能です。

制限事項

• 表抽出のみには高価 - 年間156〜240ドル
• セルの結合や複数ページにまたがる複雑な表では、依然として出力がずれることがあります。
• 処理のためにAdobeのクラウドにファイルがアップロードされる場合があります。機密性の高い財務データには問題があります。
• デスクトップのインストールが必要です。

最適な用途： すでにAcrobat Proを契約しており、OCRを使用した表の抽出を時々必要とするユーザー。

方法4：コピー＆ペースト（手動）

最も直感的なアプローチですが、表の場合は最も失敗しやすい方法です。

一般的な問題

• すべてのデータが1列に - 表全体が列の区切りなしで貼り付けられます。
• 数値がテキストになる - 通貨記号、括弧、区切り文字が数値形式を壊します。
• セル内の複数行コンテンツがファントム行を作成する - セル内で2行に折り返された説明が、2つの別々の行になります。
• ヘッダーがデータから分離される - ヘッダー行が切り離されます。
• 列のずれ - 文字間隔がタブに変換されないため、データがずれます。

部分的な回避策

Excelに貼り付け、次にスペースまたは固定幅の区切り文字を使用してデータ → 区切り位置指定ウィザードを使用します。「連続した区切り文字は1つとして扱う」を有効にします。これは非常にシンプルで、空白が多い表には機能しますが、複数単語のセルコンテンツがあるものには失敗します。

最適な用途： 単一の小さくてシンプルな表を最後の手段として抽出する場合。

方法5：Pythonライブラリ（開発者向け）

MITライセンスの3つのライブラリが、PDF表抽出をプログラムで処理します。

Tabula-py

Tabula（Java）のPythonラッパー。Javaランタイムが必要です。

• 罫線付き表用の格子モード（線と交差を検出）
• 罫線なし表用のストリームモード（テキスト配置を使用）
• スクリプトでのバッチ処理に適しています。
• OCRサポートなし。

Camelot

格子モードとストリームモードも提供します。

• 罫線付き表では、Tabulaよりも一般的に優れたパフォーマンスを発揮します。
• ストリームモードには、微調整のためのより多くの設定パラメータがあります。
• 各抽出で精度レポートを提供します。
• Ghostscriptの依存関係が必要です。OCRサポートなし。

pdfplumber

座標ベースのアプローチ：すべての文字とその正確な位置を抽出し、構造を推測します。

• 最も幅広い種類の表に対応します。
• 最も多くの制御を提供しますが、より多くの設定が必要です。
• これはPDFSubがサーバーサイドで使用しているライブラリです。
• OCRサポートなし。

最適な用途： 定期的な表抽出ワークフローを自動化する開発者、大量の類似ドキュメントを処理する場合。

一般的な問題とその解決策

セルの結合

セルが複数の行または列にまたがる場合、ほとんどのツールはコンテンツを左上のセルに配置して他のセルを空にするか、後続のすべての列をずらします。普遍的な解決策はありません。CSV形式には結合の概念がないため、結合情報は常に失われます。

修正： 表を抽出し、Excelで手動で結合のアーティファクトを修正します。同じ結合パターンを持つ定期的な表の場合は、後処理スクリプトを検討してください。

セル内の複数行コンテンツ

セル内で折り返された長い説明は、出力で複数の行になり、後続のすべてのデータをずらします。これは、財務文書で最も一般的な抽出エラーです。

修正： 抽出後、日付と金額が欠落している行を探します。これらは、上の行に属する継続行である可能性が高いです。Excelで、手動で結合するか、ヘルパー数式を使用します。

複数ページにまたがる表

ツールは、表がどこで継続するか、繰り返されるヘッダーを削除するかどうか、ページフッターをフィルタリングする方法を決定する必要があります。多くのツールは、各ページを個別に扱います。

修正： ツールがページごとの結果を返す場合は、シートを結合し、繰り返されるヘッダー行を削除します。ページNの最後の行がページN+1の最初の行と正しく接続されていることを確認します。

通貨書式設定の問題

括弧内の負の数（（1,234.56））は、数値ではなくテキストとして貼り付けられます。通貨記号と千単位の区切り文字も数値形式を壊します。

修正： 抽出後、金額列を選択し、「検索と置換」を使用して$、(、)文字を削除します。次に、列を数値として書式設定します。括弧付きの負の数については、(を-に置き換え、)を削除してから、数値形式に変換します。

日付の曖昧さ

01/02/2026 - これは1月2日ですか、それとも2月1日ですか？抽出ツールは文字列をそのまま保持しますが、Excelはロケールに基づいて解釈し直す場合があります。

修正： ソースPDFで日付形式の手がかりを探します（12を超える日数の日付を探します）。インポートする前に、Excelの日付形式をソースと一致するように設定します。

精度比較

範囲は、ドキュメントの複雑さによる変動を示します。ベンチマークデータは、Procycons 2025 PDF抽出ベンチマークおよびCamelot比較研究に基づいています。

どの方法を使用すべきか？

最良の結果を得るためのヒント

ネイティブPDFを使用する。 紙をスキャンするのではなく、ソースからドキュメントをダウンロードします。ネイティブPDFは完璧なテキストを持っているため、抽出の精度が劇的に向上します。

まず表の種類を特定する。 罫線付き表はほとんどのツールで機能します。罫線なし表にはストリームモードまたはAI抽出が必要です。種類を知ることで、最初から適切な方法を選択できます。

無料のルールベースの方法から始める。 まず座標ベースの抽出を試します。ルールベースの方法で結果が悪い場合にのみAIに移行します。これにより、時間とクレジットを節約できます。

常に結果を確認する。 行数、列の配置、数値、合計を確認します。抽出結果を盲目的に信頼しないでください。

数値の書式設定に注意する。 抽出後、Excelで数値が実際に数値（右揃え）であり、テキスト文字列（左揃え）ではないことを確認します。通貨記号と括弧付きの負の数は一般的な原因です。

機密データの場合は、ブラウザベースのツールを優先する。 財務報告書、銀行取引明細書、税務書類には機密情報が含まれています。ブラウザでPDFを処理するツールはファイルをアップロードしないため、データ漏洩のリスクを排除できます。

無料で試す

PDFから表を抽出する準備はできましたか？今すぐファイルをアップロード - PDFSubはまず無料の座標ベース抽出を試み、複雑な表にはAIフォールバックがあります。デジタルPDFは完全にブラウザで処理されます。7日間の無料トライアルを開始してください。