본문 바로가기

Home > 열린마당 > 공개SW 소식

공개SW 소식

PDF에서 테이블 데이터 추출하기 : 타불라

OSS 게시글 작성 시각 2015-03-30 18:10:25

2015년 03월 30일 (월)

ⓒ ITWorld, Sharon Machlis | Computerworld


해마다

PDF는 기사와 책을 잘 정돈된 형식으로 보여주는 간편한 방식이다. 그러나 분석 데이터를 표현하는 데 있어서는 까다로운 부분들이 있다. 데이터베이스 또는 스프레드시트 형태로 표현해야지만 더 효과적인 확률 데이터의 경우에는 더욱 그러하다.

그렇다면 오픈소스 무료 도구인 타불라(Tabula) 를 사용해보자. PDF 파일 안에 속박된 데이터 테이블을 임의로 추출할 수 있다. 타불라는 나이트-모질라(Knight-Mozilla) 오픈뉴스(OpenNews), 뉴욕타임즈( New York Times) 와 라 나씨온(La Nación) DATA등 수많은 언론사들이 모여 만든 도구다.

타 불라를 사용하려면 해당 웹사이트에서 소프트웨어를 내려 받는다. 타불라는 사용자의 브라우저를 기반으로 로컬에서 작동하며, 자바 6 또는 7과 호환되는 JRE(Java Runtime Environment)가 설치돼 있어야 한다. PDF 파일을 불러온 뒤, 스프레드시트 등의 데이터로 변환하려는 테이블 영역을 선택한다. CSV이나 TSV 파일로 저장하거나 클립보드로 복사할 수 있다.

데이터를 저장하기 전에 데이터가 어떤 식으로 표현되는지 미리 확인해볼 수 있다. 어떤 영역을 선택하느냐에 따라서 열 또는 행을 놓칠 공산이 있기 때문이다.


타불라 프로젝트에서 제작한 30초 비디오를 보면 윈도우에서 어떻게 동작하는지를 확인해볼 수 있다. OS X와 리눅스 버전의 타불라도 이용할 수 있다.

타불라는 편집 가능한 텍스트 형태의 PDF에서만 테이블 데이터를 추출할 수 있으며, OCR 소프트웨어가 아니므로 스캔된 이미지에서는 동작하지 않는다. 또 한가지 주의할 것은 간단한 형태의 테이블에서 가장 잘 동작하며, 한 셀에 여러 행 또는 열이 존재할 경우에는 제대로 동작하지 않을 수 있다는 점을 주의해야 한다.


※ 본 내용은 한국IDG(주)(http://www.itworld.co.kr)의 저작권 동의에 의해 공유되고 있습니다.
Copyright ⓒITWORLD. 무단전재 및 재배포 금지



[원문출처 : http://www.itworld.co.kr/news/92615]

맨 위로
맨 위로