pythonでPDFファイルをエクセルに変換する

Question

実現したいこと

pythonでPDFをエクセルに変換するプログラムを作成したい

発生している問題・分からないこと

７０行目で整数除算のエラーが発生してしまいます

エラーメッセージ

Traceback (most recent call last):
  File "c:\Users\USER\OneDrive\デスクトップ\python\PDF_Excel.py", line 70, in <module>
    y = df_s_x.iloc[i,5] // (math.ceil(h_min*10)/10) + 1
        ~~~~~~~~~~~~~~~~~^^~~~~~~~~~~~~~~~~~~~~~~~~~
TypeError: unsupported operand type(s) for //: 'str' and 'float'

該当のソースコード

from pdfminer3.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer3.converter import PDFPageAggregator
from pdfminer3.pdfpage import PDFPage
from pdfminer3.layout import LAParams, LTTextContainer
import pandas as pd
import openpyxl
import math
from tkinter import filedialog
import os

def pdfminer_config(line_overlap, word_margin, char_margin,line_margin, detect_vertical):
    laparams = LAParams(line_overlap=line_overlap,
                        word_margin=word_margin,
                        char_margin=char_margin,
                        line_margin=line_margin,
                        detect_vertical=detect_vertical)
    resource_manager = PDFResourceManager()
    device = PDFPageAggregator(resource_manager, laparams=laparams)
    interpreter = PDFPageInterpreter(resource_manager, device)
    return (interpreter, device)

typ = [('pdfファイル','*.pdf')] 
dir = './'
pdf_file_name = filedialog.askopenfilename(filetypes = typ, initialdir = dir) 
work_file = os.path.splitext(pdf_file_name)[0] + '_work.xlsx'
excel_file_name = os.path.splitext(pdf_file_name)[0] + '.xlsx'

list1 = ['','','','','','','','']
df_x = pd.DataFrame([list1])
df_x.columns = ['page', 'word', 'x1','x2','y1','y2','width','hight']
int_page = 0
ii_index = 0

with open(pdf_file_name, 'rb') as fp:
    interpreter, device = pdfminer_config(line_overlap=0.1, word_margin=0.1, 
            char_margin=0.1, line_margin=0.1, detect_vertical=False)
    for page in PDFPage.get_pages(fp):
        int_page = int_page + 1
        interpreter.process_page(page)
        layout = device.get_result()
        for lt in layout:
            # LTTextContainerの場合だけ標準出力
            if isinstance(lt, LTTextContainer):
                df_x.loc[ii_index] = [int_page,'{}'.format(lt.get_text().strip()), lt.x0 , lt.x1 ,\
                   841 - lt.y0 + (int_page - 1) * 841,841 - lt.y1  + (int_page - 1) * 841,lt.width ,lt.height ]
                ii_index = ii_index + 1

device.close()

# x1でソート
df_s_x = df_x.sort_values(['x1','y2'], ascending=[True,True])
# 縦のピッチを計算
h_min = 100
for i in range(len(df_s_x)):
    if i > 0:
        if df_s_x.iloc[i-1,2] == df_s_x.iloc[i,2]:
            h_sa = df_s_x.iloc[i,5] - df_s_x.iloc[i-1,5] 
            if h_sa > 1.0 and h_min > h_sa:
                h_min = h_sa

# workファイルを書き出し
with pd.ExcelWriter(work_file) as writer:
    df_s_x.to_excel(writer, sheet_name='sheet1', index=False)
wb = openpyxl.Workbook()
ws = wb.worksheets[0]

j = 1
width_x = 0
for i in range(len(df_s_x)):
    y = df_s_x.iloc[i,5] // (math.ceil(h_min*10)/10) + 1
    c1 = ws.cell(row=int(y), column=j)
    if c1.value == None:
        c1.value = df_s_x.iloc[i,1]
    else:
        #列幅調整
        ws.column_dimensions[ws.cell(row=1, column=j).column_letter].width = (df_s_x.iloc[i,2]/5.98- width_x )
        width_x = df_s_x.iloc[i,2]/5.98
        j = j + 1
        c1 = ws.cell(row=int(y), column=j)
        c1.value = df_s_x.iloc[i,1]

wb.save(excel_file_name)

試したこと・調べたこと

• teratailやGoogle等で検索した
• ソースコードを自分なりに変更した
• 知人に聞いた
• その他

上記の詳細・結果

AIに質問した際に文字列を浮動小数点数に変換するためにfloat()使用すると改善すると回答がでました

補足

特になし

Comments

[meg_]

> df_s_x.iloc[i,5] // (math.ceil(h_min*10)/10) + 1
上記は何をしたくて書いたコードですか？

[supura.D]

１列目から値をセットしつつ、既に文字が入っていれば列の幅を調整したうえで次の列へ値をセットしています

[meg_]

df_s_x.iloc[i,5]　には数値が入っているはずということでしょうか？

[supura.D]

そうなると思っています。

[meg_]

> そうなると思っています。
確かめましたか？
「TypeError: unsupported operand type(s) for //: 'str' and 'float'」が発生するということは何か間違いがあったのではないでしょうか？

[supura.D]

色々なPDFで試した結果、A1セルから縦に順番に文字が入っているようなファイルでは上手く作動する事は
確認が取れています。
ですが発注書や納品書みたいな不規則な文字の配列がしているファイルではエラーが出てしまいます。

[meg_]

df_s_x.iloc[i,5]　には数値が入っていることを確認されましたか？という意味でコメントしました。つまりデバッグしましたか？ということです。

[supura.D]

意味を理解できておらず申し訳ございません。

規則性のあるPDFなら数値が入っている事を確認とれています。

[meg_]

df_s_x.iloc[i,5]は['page', 'word', 'x1','x2','y1','y2','width','hight']の内の y2 を指しているってことですよね？そこに値を入れる処理で文字列が混入してしまっているのではないでしょうか？（df_x.loc[ii_index] = ・・・　のところでしょうか？）

[supura.D]

やりたかった事はスキャンしたPDFをエクセルに変換したかったのですが
このコードでは実現不可能だと知りました。
今までたくさんのコメントを頂きましたがご迷惑をおかけしました。

Answer 1

動かしていませんが、コメントから察して回答を書きます。

69行目と70行目の間に

    if type(df_s_x.iloc[i,5]) is not int and type(df_s_x.iloc[i,5]) is not float:
        continue

を入れるとエラーを回避できます。

デバッグ方法は、69行目と70行目の間に

    print(df_s_x.iloc[i,5])
    print(type(df_s_x.iloc[i,5]))

を入れて、エラーになるときの値と型を確認します。

Comments

[supura.D]

回答ありがとうございます。試してみましたが解決できませんでした。
プログラム自体はエラーなく処理されましたがエクセルの方へ文字が記入されませんでした。
この場合どの辺りに原因がありそうでしょうか？

[hiroki-o]

if文のインデントが正しいか、確認してください。

df_s_x.iloc[i,5]がintかfloatのときのみ、70行目以降の処理をします。
それ以外は飛ばして、次のdf_s_x.iloc[i,5]を見るようにしています。

df_s_x.iloc[i,5]がintかfloat以外は不規則なデータと推測しますが、違うのでしょうか？
こちらは、そのPDFの中身を知らないので、なんとも言えません。

そのPDFのデータ(df_s_x.iloc[i,5]の部分だけでも)を提示するか、自分でデバッグしてください。
方法は回答に書いた通りです。

[supura.D]

やりたかった事はスキャンしたPDFをエクセルに変換したかったのですが
このコードでは実現不可能だと知りました。
いろいろ教えて頂きありがとうございました。
まだまだ初心者なのでまた分からないことがありましたご教授いただければ幸いです。