PDFから商品データを抽出する方法

まず出力を決める：商品スキーマを定義する

抽出を始める前に、必要な項目とその形式を決めます。小型家電であれば、スキーマには型番、ブランド、EAN、幅・高さ・奥行（ミリメートル）、重量（キログラム）、電力（ワット）、電圧、素材、色、警告表示などが含まれるでしょう。単位と許容値をあらかじめ定義しておくことで、サプライヤー間で抽出データを比較できるようになります。

複数のチャネルで販売する場合は、各項目をそれぞれのチャネルで使われる属性名（たとえばShopifyの商品オプションやWooCommerceの属性）に対応付けておくと、再整形することなく抽出結果を再利用できます。

手法1：手作業でのコピー＆ペースト

担当者がPDFを開き、スプレッドシートや商品登録フォームに値を入力または貼り付けます。特別なツールが不要でどのレイアウトにも対応できるため、多くのチームがここから始めます。

ただし、件数が増えるほどコストも膨らみます。作業が遅く、集中力も途切れがちで、型番の数字の入れ違いや別の列の値を拾ってしまうといった転記ミスは、後から見つけにくいものです。手入力は、小規模なカタログや、自動化した手法の上に重ねる確認ステップとして有効です。

手法2：PDF表抽出ツール

表抽出ツール（オープンソースのものやPDFエディタのエクスポート機能を含む）は、デジタルPDF内の表を検出してCSVやExcelに書き出します。データが整った表に収まっている場合は高速です。

一方、本文中に書かれた値、結合セル、複数ページにまたがる表、スキャン文書は苦手です。また、名前付きの項目ではなく生の表が返されるため、列をスキーマに対応付け、見出し、単位、脚注を整える作業は残ります。

手法3：テンプレート／ゾーン解析

テンプレート型のパーサーでは、特定のレイアウトについて、各項目がページ上のどこにあるかを定義します。一度設定すれば、まったく同じレイアウトの文書はすべて一貫して抽出されるため、同一送信元からの請求書のような、同一形式の文書を大量に処理する場合に適しています。

ところが、サプライヤーのデータシートがそこまで統一されていることはまれです。メーカーごと、場合によっては製品ライン単位でテンプレートが必要になり、サプライヤーがデザインを変更するとテンプレートは使えなくなります。多数のサプライヤーから調達するカタログでは、メンテナンスの負担がすぐに利点を上回ります。

手法4：AI抽出

AI抽出は、言語モデルと視覚モデルを使い、人が読むように文書を読み取ります。型番がヘッダー、表、文章のどこにあっても見つけ出し、スキーマの項目を値と単位とともに返します。固定位置に依存しないため、スキャンしたページを含め、ひとつの設定で多くのサプライヤーのレイアウトに対応できます。

トレードオフとして、AIの出力は確認が必要です。優れたツールは、抽出した値に信頼度の目安と根拠となる出典を示すため、確認者は不確かな箇所に集中できます。また、文書に記載がない項目は推測せず、空欄のままにするか、要確認として示します。Doc2ShelfのPDF製品データ抽出は、抽出ごとに信頼度と網羅度をスコア化し、抽出した事実をページ番号と短い引用とともに記録します。確認済みのレコードは、出品情報やコンプライアンスの下書きに利用できます。

手法の選び方

目安として、次のように考えるとよいでしょう。

• 商品が約20点未満、または単発の追加の場合：明確なスキーマを用意したうえでの手入力。
• 整ったデジタル表で、サプライヤーが1〜2社の場合：表抽出ツールと、その後の整形。
• 同一レイアウトの文書が大量にある場合：テンプレート解析。
• サプライヤーが多い、レイアウトが多様、またはスキャンPDFの場合：人によるレビュー付きのAI抽出。

抽出データの正確性を保つチェック項目

どの手法でも、誤りの大半は同じような原因で発生します。確認ステップに次のチェックを組み込んでください。

• モデルの対応付け：1枚のシートに複数のモデルが載っている場合は、各値が正しいモデルの列に属しているか確認します。
• 単位：単位（mmとcm、WとkWなど）を統一し、数値には必ず単位を併記します。
• 脚注と条件：容量や稼働時間などの値は、記載された試験条件に依存することがよくあります。
• 識別子：EAN/GTINのチェックディジットと型番を1文字ずつ確認します。
• 欠落または矛盾する値：文書に記載のない値を推測せず、サプライヤーに問い合わせます。
• トレーサビリティ：元のPDFをレコードに紐付けて保管し、後からでも誰でも値を再確認できるようにします。

抽出方法の比較一覧

上記の4つの方法は、読み取れる内容よりも、精度を左右する要因と必要なセットアップの量に違いがあります。OCRも比較対象に含まれますが、方法というより1つの層です。スキャンしたページをテキストに変換するもので、そのテキストを項目に変換するには、他のいずれかの方法が必要です。

精度は、方法だけで決まるものではありません。入力する文書、スキーマで各項目がどれだけ明確に定義されているか、確認作業の徹底度によって変わります。そのため、公表されている数値に頼るよりも、実際のサプライヤーPDFのサンプルで測定することをお勧めします。

仕様表と複数バリエーションの表の扱い方

データシートの抽出エラーの大半は表で発生し、その多くは1つの表が複数のモデルを説明している場合に起こります。読む人には分かりやすく見える表でも、パーサーや疲れた担当者が間違えやすい構造が隠れています。たとえば、見出しにしか記載のない単位、複数のモデルにまたがって結合されたセル、数値に付いた脚注マーカー、次のページに続く表などです。

値をレコードにコピーする前に、各仕様表を決まった順序で確認します。

1. 向きを確認します：モデルやバリエーションは列に並んでいますか、行に並んでいますか。最後にレコード数を照合できるよう、その数を控えておきます。
2. 括弧内の単位も含め、すべての見出し行を読み、その単位を該当する列または行の各セルに引き継ぎます。
3. 結合セルを展開します：複数のモデル列にまたがる値は、最初のモデルだけでなく、そのすべてのモデルに適用されます。
4. ページをまたいで分割された表を結合し、繰り返された見出しがデータ行として読み込まれていないこと、ページの切れ目で行が欠けていないことを確認します。
5. 脚注マーカーを数値から分離します：「1.1¹」は、脚注1の付いた1.1であり、1.11ではありません。脚注の文は、その値の条件として保存します。
6. 空欄、「—」、「n/a」、「任意」を区別します：空欄は不明、ダッシュは多くの場合「該当なし」を意味し、どちらもゼロにしてはいけません。
7. 表の下の「全モデル：230 V」のように、表の外にある値を探し、対象となるすべてのモデルに適用します。
8. 表をモデルまたはバリエーションごとに1レコードに分割し、レコード数が手順1と一致することを確認します。

スキャンしたPDFとOCRの品質

まず、PDFにテキストレイヤーがあるか確認します。テキストを選択または検索できればデジタルのPDFです。できなければ画像であり、表を読み取るツールを使う前にOCRが必要です。サプライヤーからスキャンしたものが届いた場合は、デジタルの元データを依頼してください。これだけで、ある種類のエラーをまとめてなくせます。自分でスキャンする場合、テキストには300 dpi前後の解像度が一般的に推奨されており、解像度と同じくらい、ページが傾いておらずコントラストが高いことが重要です。

OCRのエラーは、もっともらしい出力になるため危険です。取り違えられやすい文字にはパターンがあるため、チェックの方法も予測できます。

実例：データシートが構造化レコードになるまで

ここでは、1つの表に2つのモデルが載っている電気ケトルのデータシート（例示用）を使って、上記の手順をどのように適用するかを示します。これは説明用の例であり、実在の製品でも、実際の抽出結果でもありません。ソースの各行を項目に対応付け、正規化し、確認します。

結果として、容量・電力・電圧を共有しつつ、色・重量・識別子はそれぞれ独自に持つ2つのバリエーションレコードと、サプライヤーへの2つの未解決の質問が得られます。仮定で補った値は1つもありません。2つ目のモデルのEANと原産国は、サプライヤーから提供されるまで空欄のままです。1枚のシートではなく、多数のサプライヤーにまたがる値と単位の正規化については、商品属性のガイドで解説しています。

よくある失敗パターンと検証ワークフロー

抽出方法にかかわらず、抽出エラーの大半は、ごく少数の同じ文書上の特徴が原因です。それらを把握しておけば、すべての値を同じ注意度で読み直すのではなく、実際のリスクに合わせて確認作業を設計できます。

1. 文書を確認します：製品が正しいか、最新の版か、全ページが揃っているか。
2. すべての識別子（型番、チェックディジット付きのGTIN）と、安全に関わるすべての値（警告、電気定格、危険情報）を、ソースと照合します。
3. それ以外の項目には自動チェックをかけます：単位があるか、値が妥当な範囲内か、必須項目が入力されているか。
4. サプライヤーごとに、残りの項目からサンプルを抽出して確認し、エラーが見つかった場合はサンプルを広げます。
5. 解消されなかった不明点は、推定で埋めずに、サプライヤーへの質問にします。
6. ソースPDF、確認者、確認日をレコードとともに保存します。