fetch-open-data

PDFからの情報抽出やGitHub Actionsなどを試すrepo

こども家庭庁の医療機関検索からの情報抽出

• information-extraction2 参照

東京都の公開しているPDFからの情報抽出

• information-extraction 参照

PDFからの情報抽出のテスト

• pdfminer.sixではなくPopplerを利用することにしたため以下の内容は古く参考にしなくてよい
• サンプルPDFの入手
  • 東京都特定不妊治療費助成事業指定医療機関の情報公開（2020年1月から12月分） から好きな医療機関のPDFをダウンロード
  • 以下の例では1_R4_hamada.pdfをダウンロードしたと仮定して説明
• pdfminer.sixのインストール

pip install pdfminer.six

• 情報抽出のテスト

from pdfminer.high_level import extract_text
text = extract_text('1_R4_hamada.pdf')
import re
m = re.search(r'(?<=【凍結胚を用いた治療成績】).+(?=来院患者情報)', text, flags=re.DOTALL)
# `m.group(0)`にPDFではテーブルになっている凍結胚を用いた治療の成績データが含まれる
# ' \n\n融解胚子宮内移植 \n\n131 \n移植総回数（回） \n22 \n妊娠数（回） \n13 \n生産分娩数（回） \n移植あたり生産率（%）  9.9 \n\n'
# `m2 = re.findall(r'[\d.]+', m.group(0))`で可視化する実際の数値を得る
# ['131', '22', '13', '9.9']