[업무자동화 with Python] PDF Plumber로 PDF 표 추출하기 (실습)

 

이번에는 실제 자료를 바탕으로 PDF Plumber의 활용성을 알아보겠습니다.

 

1. 실습 간 활용할 데이터 : 24년 네이버 반기 보고서

 

이번에 사용할 자료는 네이버의 2024년 반기 사업보고서 입니다. 

 

https://kind.krx.co.kr/common/disclsviewer.do?method=search&acptno=20240318001166

[NAVER] 사업보고서(일반법인)

 

공개된 자료입니다.

 

위 데이터는 총 442페이지이며 수백개의 표로 구성되어있는 자료 입니다.

 

 

 

2. PDF Plumber를 통해서 표 추출하기

 

 

표 추출을 위해서 코랩에서 PDF Plumber를 활용해 보았습니다.

 

[업무자동화 with Python] PDF문서내용 추출(PDFPlumber 활용) (2) (표 추출)

[업무자동화 with Python] PDF문서내용 추출(PDFPlumber 활용) (2) (표 추출)

 

 

먼저 코랩을 열어준 뒤 라이브러리를 설치해줍니다.

 

!pip install pdfplumber

 

 

이후 

 

구글 드라이브에 업로드 된 pdf 파일의 경로를 입력해주고, 출력할 폴더를 입력해준 뒤 PDF를 읽어주면 되겠습니다.

아래와 같이 코드를 실행시키면 되겠으며, PDF에서 각 페이지별로 표를 추출한 뒤 파일은 csv 형태로 저장해주며,  몇 페이지의 몇번째 테이블(표)인지를 이름으로 구분하기 쉽게 지정해놓았습니다.

 

사용한 기능은 extract_tables 입니다.

import pdfplumber

import pandas as pd

import os

# PDF 파일 경로

pdf_path = "/content/drive/MyDrive/pdf/[NAVER] 반기보고서(일반법인) (2024.08.14).pdf"

output_dir = "/content/drive/MyDrive/pdf"  # 출력 디렉토리

# 출력 디렉토리 생성

os.makedirs(output_dir, exist_ok=True)

# PDF 읽기

with pdfplumber.open(pdf_path) as pdf:

    for i, page in enumerate(pdf.pages):

        try:

            # 페이지 번호

            page_number = i + 1

            # 표 추출

            tables = page.extract_tables()

            for j, table in enumerate(tables):

                # 표를 데이터프레임으로 변환

                df = pd.DataFrame(table)

                # 파일명 지정 (페이지 번호와 테이블 번호 포함)

                output_file = os.path.join(output_dir, f"page_{page_number}_table_{j + 1}.csv")

                # 데이터 저장

                df.to_csv(output_file, index=False)

                print(f"페이지 {page_number}, 테이블 {j + 1} 저장 완료: {output_file}")

        except Exception as e:

            print(f"페이지 {page_number}에서 표를 추출하는 중 오류 발생: {e}")

 

3페이지부터 표가 식별되어, 식별된 표들을 잘 저장해주었음을 확인할 수 있습니다.

 

(엑셀에서 작업이 필요하다면, csv가 아닌 .xlsx의 형태로 저장해주면 한글이 깨지지않고 잘 저장되고 엑셀이 잘 실행됩니다)

 

 

그렇다면, 실제로 저장된 파일과 원본을 비교해보겠습니다.

 

 

먼저 pdf상에서 3페이지의 첫번째 표입니다.

 

그리고 이를 인식해서 pdfplumber가 추출한 표입니다.

 

병합(Merging) 해야 될 셀들이 보이긴 하지만, 꽤나 정확하게 잘 추출한 것을 알 수 있습니다.

 

 

 

다음은 pdf상에서 3페이지의 두번째 표입니다.

 

 

그리고 다음은 pdf plumber를 통해 추출된 표입니다.

 

 

보시는 것처럼 표의 전반적인 내용들이 오류없이 잘 추출된 것을 알 수 있습니다. 물론, 엑셀에서 작업시에는 merging해야되는 부분이 있겠지만, 굳이 시각적으로 보여줄 필요가 없다면 잘 처리가 되었으며 인덱싱 처리만 하면 훌륭하게 잘 활용할 수 있음을 알 수 있습니다.