# Lambda関数でPDFからテキストを抽出する処理を自動化する手順

## 目次
1. はじめに
2. 必要な準備
3. Lambda関数の設定
   - 3-1. AWS Lambdaの作成
   - 3-2. IAMロールの設定
4. PDFからテキストを抽出するLambda関数の実装
   - 4-1. 依存ライブラリのインストール
   - 4-2. 処理の実装
   - 4-3. S3バケットとの連携
5. デプロイと動作確認
6. まとめ

---

## 1. はじめに

AWS Lambdaを利用すれば、クラウド上でサーバーレスに処理を自動化できます。本記事では、Lambda関数を用いてPDFからテキストを抽出する方法を紹介します。目的は、PDFファイルをS3バケットにアップロードした際に、その内容を自動的にテキスト化することです。

## 2. 必要な準備

- AWSアカウント
- S3バケット（PDFファイルのアップロード先）
- Python環境（Lambdaでの開発、依存ライブラリの準備に必要）

## 3. Lambda関数の設定

### 3-1. AWS Lambdaの作成

1. AWSマネジメントコンソールにログインし、Lambdaサービスを選択します。
2. 「関数の作成」をクリックし、「一から作成」を選択します。
3. 必要な情報を入力し、ランタイムとしてPython（例: Python 3.8）を選択します。

### 3-2. IAMロールの設定

- Lambda関数に必要な権限を設定します。S3のオブジェクトを読み書きするために、S3のポリシーをアタッチするIAMロールを作成する必要があります。

![img](/mosaic-code.jpg)

## 4. PDFからテキストを抽出するLambda関数の実装

### 4-1. 依存ライブラリのインストール

PDFからテキストを抽出するために、`PyMuPDF`などのPythonライブラリを利用します。Lambda関数で使用するため、zipパッケージとしてライブラリをデプロイする必要があります。

![img](/mosaic-code.jpg)

### 4-2. 処理の実装

PDFからテキストを抽出し、S3バケットに保存するコードを以下に示します。

![img](/mosaic-code.jpg)

### 4-3. S3バケットとの連携

- Lambda関数をトリガーするトリガーを設定します。S3バケットにファイルがアップロードされた際にLambdaが起動するように設定します。

## 5. デプロイと動作確認

- Lambda関数をデプロイして、実際にS3にPDFファイルをアップロードし、自動的にテキストファイルが生成されることを確認します。

## 6. まとめ

本記事では、AWS Lambdaを利用してPDFからテキストを自動抽出する方法を紹介しました。PDFの内容を迅速にテキスト化し、S3に保管することにより、データのアクセス性や加工性を向上させることができます。この方法を活用し、業務効率化を図ってみてください。 [cv:issue_marketplace_engineer]

# Lambda関数でPDFからテキストを抽出する処理を自動化する手順

## 目次
1. はじめに
2. 必要な準備
3. Lambda関数の設定
   - 3-1. AWS Lambdaの作成
   - 3-2. IAMロールの設定
4. PDFからテキストを抽出するLambda関数の実装
   - 4-1. 依存ライブラリのインストール
   - 4-2. 処理の実装
   - 4-3. S3バケットとの連携
5. デプロイと動作確認
6. まとめ

---

## 1. はじめに

AWS Lambdaを利用すれば、クラウド上でサーバーレスに処理を自動化できます。本記事では、Lambda関数を用いてPDFからテキストを抽出する方法を紹介します。目的は、PDFファイルをS3バケットにアップロードした際に、その内容を自動的にテキスト化することです。

## 2. 必要な準備

- AWSアカウント
- S3バケット（PDFファイルのアップロード先）
- Python環境（Lambdaでの開発、依存ライブラリの準備に必要）

## 3. Lambda関数の設定

### 3-1. AWS Lambdaの作成

1. AWSマネジメントコンソールにログインし、Lambdaサービスを選択します。
2. 「関数の作成」をクリックし、「一から作成」を選択します。
3. 必要な情報を入力し、ランタイムとしてPython（例: Python 3.8）を選択します。

### 3-2. IAMロールの設定

- Lambda関数に必要な権限を設定します。S3のオブジェクトを読み書きするために、S3のポリシーをアタッチするIAMロールを作成する必要があります。

```json
{
  "Version": "2012-10-17",
  "Statement": [
    {
      "Effect": "Allow",
      "Action": [
        "s3:GetObject",
        "s3:PutObject"
      ],
      "Resource": "arn:aws:s3:::your-bucket-name/*"
    }
  ]
}
```

## 4. PDFからテキストを抽出するLambda関数の実装

### 4-1. 依存ライブラリのインストール

PDFからテキストを抽出するために、`PyMuPDF`などのPythonライブラリを利用します。Lambda関数で使用するため、zipパッケージとしてライブラリをデプロイする必要があります。

```bash
pip install PyMuPDF -t /path/to/your/project/directory
```

### 4-2. 処理の実装

PDFからテキストを抽出し、S3バケットに保存するコードを以下に示します。

```python
import fitz
import boto3
import os

def lambda_handler(event, context):
    s3 = boto3.client('s3')
    
    # イベントからS3バケットとファイル名を取得
    bucket = event['Records'][0]['s3']['bucket']['name']
    key = event['Records'][0]['s3']['object']['key']
    
    # S3からPDFをダウンロード
    download_path = '/tmp/{}'.format(key)
    s3.download_file(bucket, key, download_path)
    
    # PDFファイルを読み込み、テキストを抽出
    text = extract_text_from_pdf(download_path)
    
    # 抽出したテキストを新しいファイルとしてS3にアップロード
    output_key = key.replace('.pdf', '.txt')
    upload_path = '/tmp/{}'.format(output_key)
    with open(upload_path, 'w') as f:
        f.write(text)
    
    s3.upload_file(upload_path, bucket, output_key)

def extract_text_from_pdf(file_path):
    doc = fitz.open(file_path)
    text = ""
    for page in doc:
        text += page.get_text()
    return text
```

### 4-3. S3バケットとの連携

- Lambda関数をトリガーするトリガーを設定します。S3バケットにファイルがアップロードされた際にLambdaが起動するように設定します。

## 5. デプロイと動作確認

- Lambda関数をデプロイして、実際にS3にPDFファイルをアップロードし、自動的にテキストファイルが生成されることを確認します。

## 6. まとめ

本記事では、AWS Lambdaを利用してPDFからテキストを自動抽出する方法を紹介しました。PDFの内容を迅速にテキスト化し、S3に保管することにより、データのアクセス性や加工性を向上させることができます。この方法を活用し、業務効率化を図ってみてください。 

Lambda関数でPDFからテキストを抽出する処理を自動化する手順

目次

続きを読むには単価診断を受けてください（30秒）