PDF から情報を抽出する
契約書の台帳を作る、請求書を集計する、数百件のお知らせから該当条項を探す—— 中身は PDF にあるのに、集計するにはまず表にしなければなりません。
これまでのやり方
PDF を開いて金額を探し、コピーして Excel に貼り付け…… 1 件 2 分なら 100 件で 3 時間以上。しかも途中で行がずれます。
こう言うだけ
「契約書」フォルダーの PDF を読んで、甲・乙・金額・締結日を抜き出して Excel にして。
もっと具体的にもできます：
この請求書 PDF から請求書番号・発行日・金額・税額を抜き出して、発行日で並べて。
どう進めるか
- まず 1 件試す：項目と抽出した内容を見せて、理解が合っているか確認します
- そのうえで一括処理：全ファイルを同じ項目で抽出します
- 不確かな箇所に印を付ける：読み取れない部分は空欄にし、どのファイルかを伝えます
何が手に入るか
- 1 枚の表、1 行 1 ファイル
- 先頭列がファイル名なので、元のファイルに戻って確認できます
- 読み取れなかった行は空欄のまま別途一覧化されます。数字をでっち上げることはありません
- どれがスキャンで、認識が不正確かもしれないかも事前に伝えます
ほかに頼めること
- 「各契約書で『違約』に触れている段落をそのまま抜き出して」
- 「会社名でまとめて、それぞれの契約総額を集計して」
- 「金額と日付が食い違っているものだけ別に一覧にして」
スキャンと電子版の違い
Word やシステムから書き出した電子版 PDF は文字がそのまま入っているので、抽出は正確です。 スマートフォンで撮影したりコピー後にスキャンした画像 PDF は文字認識が必要で、 手書きや印鑑に隠れた部分は誤ることがあります。その場合はまず少量だけ処理し、 いくつか抜き取り確認してから全体を回すことをおすすめします。
できないこと
- 手書きや印鑑で隠れた内容は誤認識します
- 多段組や入れ子の表の PDF は、数行を手作業で確認する必要があるかもしれません
- 暗号化・パスワード付きの PDF は、先に解除してください
- 判断までは代行しません。抽出結果の責任はご自身にあります。大事なファイルは抜き取り確認を