Rで解析：PDFからテキスト・座標・フォント情報を抽出できる「pdftools」パッケージの紹介

研究や実務では、PDF形式で配布された資料からテキストや数値を取り出し、集計や分析に使いたい場面があります。しかし、PDFは表示のためのレイアウト情報を持つ形式であり、そこから必要な文字情報だけを取り出すには手間がかかります。

「pdftools」パッケージは、Popplerライブラリを基盤として、PDFからページ単位のテキストや単語ごとの座標、埋め込みフォント、文書のメタデータを取り出すことが可能です。また、各ページを指定した解像度でビットマップ画像に描画したり、PNGやJPEGなどの画像ファイルへ変換したりすることも可能です。本パッケージの利用で、PDF資料を起点としたデータの抽出や画像化を、R上で一貫して進められるのではないかと考えます。

パッケージバージョンは3.9.1。Windows 11 x64 (build 26200)のR version 4.6.1で確認しています。

＜おすすめのRに関する書籍です＞

統計ソフト「Ｒ」超入門〈最新版〉　統計学とデータ処理の基礎が一度に身につく！ (ブルーバックス)

新書サイズで、統計学の基礎とRの操作を一度に押さえられる。最初の一冊として手に取りやすい。

パッケージのインストール

下記コマンドを実行してください。

# パッケージのインストール
install.packages("pdftools")

# パッケージの読み込み
library("pdftools")
Using poppler version 26.01.0

コマンド例

詳細はコメント、パッケージのヘルプを確認してください。

pdftoolsの関数は、大きくテキスト抽出系とレンダリング系に分けられます。テキスト抽出系のpdf_textはページ単位の文字列を、pdf_dataは単語ごとに位置と大きさを持つデータフレームを返します。pdf_infoは作成日やページ数などのメタデータ、pdf_fontsは埋め込みフォント、pdf_pagesizeは各ページの寸法を返します。レンダリング系のpdf_render_pageはページをビットマップとしてメモリ上に描画し、pdf_convertはページを画像ファイルとして書き出します。

以下では、京都府の宇治茶の産地別生産量をまとめた擬似データを、日本語を含む2ページのPDFとして書き出し、そのPDFを題材に各関数の動作を確認します。

# 作業用の一時ファイルとして出力するPDFのパス
ocha_pdf <- file.path(tempdir(), "uji_ocha_report.pdf")

# 京都府の宇治茶産地に関する擬似データ
sanchi <- data.frame(
  産地 = c("宇治市", "和束町", "宇治田原町", "南山城村", "京田辺市"),
  荒茶生産量 = c(418, 605, 352, 274, 191),
  主力品種 = c("やぶきた", "ごこう", "さみどり", "おくみどり", "うじひかり")
)

# 1ページ目に産地一覧、2ページ目に棒グラフを描いたPDFを書き出す
cairo_pdf(ocha_pdf, width = 7, height = 5, onefile = TRUE)
plot.new()
title(main = "宇治茶 産地別生産量レポート（擬似データ）")

# 産地ごとの生産量と主力品種を1行ずつ書き込む
text(0, seq(0.9, 0.5, length.out = nrow(sanchi)),
  adj = 0,
  labels = paste0(sanchi$産地, "：", sanchi$荒茶生産量, "トン（", sanchi$主力品種, "）")
)

# 2ページ目として棒グラフを描く
barplot(sanchi$荒茶生産量,
  names.arg = sanchi$産地,
  main = "産地別の荒茶生産量", ylab = "トン"
)
dev.off()
png
  2

PDFのメタデータを取得する：pdf_infoコマンド

作成日時、更新日時、ページ数、PDFのバージョン、作成に使われたソフト名などの文書情報をリストとして返します。ページ数だけを使いたい場合は結果のpages要素を参照します。

# PDFのメタデータ（作成日・ページ数・作成ソフトなど）を取得する
joho <- pdf_info(ocha_pdf)

# ページ数だけを取り出す
joho$pages
[1] 2

# 文書全体の情報を表示する
joho
$version
[1] "1.7"

$pages
[1] 2

$encrypted
[1] FALSE

$linearized
[1] FALSE

$keys
$keys$Producer
[1] "cairo 1.18.4 (https://cairographics.org)"

$created
[1] "2026-09-04 12:24:57 JST"

$modified
[1] "1970-01-01 08:59:59 JST"

$metadata
[1] ""

$locked
[1] FALSE

$attachments
### 出力は省略（残り4行）

ページ単位でテキストを抽出する：pdf_textコマンド

各ページのテキストを1要素とする文字列ベクトルを返します。既定では紙面のレイアウト順に並べ替えて返し、raw = TRUEを指定するとPDF内部のストリーム順のまま取り出します。

# ページごとの文字列ベクトルとしてテキストを抽出する
honbun <- pdf_text(ocha_pdf)

# 1ページ目のテキストを表示する
cat(honbun[1])
         宇治茶 産地別生産量レポート（擬似データ）

宇治市：418トン（やぶきた）
和束町：605トン（ごこう）
宇治田原町：352トン（さみどり）
南山城村：274トン（おくみどり）
京田辺市：191トン（うじひかり）

# 内部のストリーム順のまま取り出す
honbun_raw <- pdf_text(ocha_pdf, raw = TRUE)

＜おすすめのRに関する書籍です＞

データに触れながら学ぶ統計学 R言語のUIツール「Exploratory」で身につくデータサイエンスの手法 | 西田勘一郎

RベースのUIツール「Exploratory」を使い、コードを書かずに統計とデータサイエンスの手法を体験できる。

単語ごとの座標付きでテキストを取り出す：pdf_dataコマンド

ページごとに、単語とその位置（x、y）、幅、高さ、書字方向などを列に持つデータフレームのリストを返します。表のセルや見出しなど、紙面上の位置を手がかりに抽出したいときに使います。font_info = TRUEを指定すると各単語のフォント情報も付きますが、新しいPopplerが必要です。

# 単語ごとに位置・大きさを持つデータフレームのリストとして抽出する
moji <- pdf_data(ocha_pdf)

# 1ページ目の先頭部分を確認する
head(moji[[1]])
  width height   x   y space                               text
1    32     16 156  21  TRUE                             宇治茶
2   183     16 192  21 FALSE 産地別生産量レポート（擬似データ）
3   128     13  74  81 FALSE        宇治市：418トン（やぶきた）
4   119     13  74 102 FALSE          和束町：605トン（ごこう）
5   146     13  74 124 FALSE    宇治田原町：352トン（さみどり）
6   146     13  74 145 FALSE    南山城村：274トン（おくみどり）

# 各単語のフォント情報も付けて抽出する
moji_font <- pdf_data(ocha_pdf, font_info = TRUE)

埋め込みフォントを一覧する：pdf_fontsコマンド

PDFで使われているフォント名、種類、埋め込みの有無などをデータフレームで返します。フォントが埋め込まれていない場合、環境によって表示や抽出結果が変わることがあるため、その確認に使えます。

# PDFに埋め込まれたフォントの一覧を取得する
font_ichiran <- pdf_fonts(ocha_pdf)

# フォント名と埋め込みの有無を表示する
font_ichiran
                 name         type embedded file
1 BICLDM+Arial-BoldMT cid_truetype     TRUE
2 KMJXUC+Arial-BoldMT     truetype     TRUE
3      HCWRAC+ArialMT cid_truetype     TRUE
4      RJAMDI+ArialMT     truetype     TRUE

ページの寸法を取得する：pdf_pagesizeコマンド

各ページの幅と高さをポイント単位（1ポイント＝1/72インチ）でデータフレームとして返します。用紙サイズの確認や、pdf_dataで得た座標を割合に直すときの基準として使えます。

# 各ページの幅・高さ（ポイント単位）を取得する
size <- pdf_pagesize(ocha_pdf)

# ページごとの寸法を表示する
size
  top right bottom left width height
1   0   504    360    0   504    360
2   0   504    360    0   504    360

＜おすすめのRに関する書籍です＞

Rユーザのためのtidymodels[実践]入門〜モダンな統計・機械学習モデリングの世界

パッケージごとにバラバラだった機械学習の書き方をtidymodelsで統一する方法を解説。前処理から評価・運用までのパイプラインを組めるようになる。

ページをビットマップ画像に描画する：pdf_render_pageコマンド

指定したページを指定解像度で描画し、画像データをrawベクトル（またはnumeric = TRUEで0〜1の実数配列）としてメモリ上に返します。pngパッケージと組み合わせると、任意のページをPNGとして保存できます。

# 2ページ目を150dpiのビットマップとして描画する
bitmap <- pdf_render_page(ocha_pdf, page = 2, dpi = 150)

# 画像の次元（チャンネル数・幅・高さ）を確認する
dim(bitmap)
[1]    4 1050  750

# pngパッケージでPNGファイルとして保存する
png::writePNG(bitmap, file.path(tempdir(), "ocha_page2.png"))

ページを画像ファイルに変換する：pdf_convertコマンド

指定したページをPNGやJPEGなどの画像ファイルとして書き出し、生成したファイルのパスを返します。pagesで対象ページを、filenamesで出力先を指定します。利用できる形式はpoppler_config()$supported_image_formatsで確認できます。

# 出力先の画像ファイル名を2ページ分用意する
shutsuryoku <- file.path(tempdir(), c("ocha_p1.png", "ocha_p2.png"))

# 1〜2ページ目をそれぞれPNG画像ファイルに変換する
gazou <- pdf_convert(ocha_pdf,
  format = "png", pages = 1:2,
  filenames = shutsuryoku, dpi = 150
)
Converting page 1 to C:\Users\chalu\AppData\Local\Temp\RtmpmsbcKz/ocha_p1.png... done!
Converting page 2 to C:\Users\chalu\AppData\Local\Temp\RtmpmsbcKz/ocha_p2.png... done!

# 生成された画像ファイルのパスを表示する
gazou
[1] "C:\\Users\\chalu\\AppData\\Local\\Temp\\RtmpmsbcKz/ocha_p1.png"
[2] "C:\\Users\\chalu\\AppData\\Local\\Temp\\RtmpmsbcKz/ocha_p2.png"

＜おすすめのRに関する書籍です＞

Rユーザのためのtidymodels[実践]入門〜モダンな統計・機械学習モデリングの世界

パッケージごとにバラバラだった機械学習の書き方をtidymodelsで統一する方法を解説。前処理から評価・運用までのパイプラインを組めるようになる。

この記事が誰かの役に立ちますように。