PDFファイルをダウンロード
この記事ではブラウザで開くタイプのPDFを取得し、中のテキストを抽出する方法を記載します。
【できるようになること】
- ブラウザ表示のPDFファイルをダウンロード
（URL末尾に拡張子.pdfが入っているPDF） - PDFファイルからテキストを抽出
PDFのダウンロード/テキスト抽出を利用する場面
請求書や明細書などのPDF書類から、テキスト(文字列)情報を抽出する場合に便利です。
今回は例として、文化庁の近現代建造物緊急重点調査事業査のページに存在するPDFを取得し、中のテキストを抽出してみます。
- OpenBrowser(ブラウザを開く)アクションを設定します
- 以下のURLを入力します。
https://www.bunka.go.jp/seisaku/bunkazai/joseishien/kingendai_kenzobutsu_chosa/index.html
次に、PDFのURL(末尾が.pdf)を取得します。
- 適当なPDFのダウンロードリンクから、CSSセレクタを取得(クリップボードにコピー)します。
- GetAttribute(要素の属性を取得)アクションを設定します。
- selectorパラメータに、取得したCSSセレクタをペーストします。
- attributeパラメータに、
hrefと入力します。
- StoreValue(変数に保存)アクションを設定します。
- 変数名を「pdf」、値を「GetAttributeのアウトプット」とします。
2で取得したファイルのURLにドメインを付加し、PDFファイルを取得します。
- DownloadFile(URL上のファイルを取得)アクションを設定します。
- 以下のURLを入力します。※GetAttributeのアウトプットの中にドメインがないために必要な操作です。
https://www.bunka.go.jp/seisaku/bunkazai/joseishien/kingendai_kenzobutsu_chosa/
- URLを入力し終わったら、最後に${pdf}と入力します。
ダウンロードしたPDFから、中のテキストを取得します。
- ConvertPDFToText(PDFからテキストを抽出)を設定します。
- パラメータに、DownloadFileのアウトプットを指定します。
※ConvertPDFToTextのアウトプットは、当該アクションのログ内でスクロールすると確認できます
# ブラウザを開く
+open_browser_1:
action>: OpenBrowser
url: 'https://www.bunka.go.jp/seisaku/bunkazai/joseishien/kingendai_kenzobutsu_chosa/index.html'
lang: 'ja-JP'
headless: true
useShadowDomSelector: false
private: false
# 要素の属性を取得
+get_attribute_1:
action>: GetAttribute
browser: +open_browser_1
selector: 'ul.mb20 li:nth-of-type(1) :nth-child(2) a'
attribute: href
ignoreError: true
private: false
# 変数に保存
+store_value_1:
action>: StoreValue
key: pdf
value: +get_attribute_1
private: false
# URL上のファイルを取得
+download_file_1:
action>: DownloadFile
url: 'https://www.bunka.go.jp/seisaku/bunkazai/joseishien/kingendai_kenzobutsu_chosa/${pdf}'
private: false
# PDFからテキストを抽出
+convert_p_d_f_to_text_1:
action>: ConvertPDFToText
pdf: +download_file_1
private: false
＜ConvertPDFToText＞PDFからテキストを抽出/URL上のファイルを取得/DownloadFile