EN

PDFの「生年月日どこ?」を探すクソダルい作業を、半自動化してみた

目次

はじめに

PDFの書類の中から名前や生年月日などのキー情報を探すのが面倒なので、自動で見つける方法はないか。知り合いから、そう相談を受けました。

そこで作ったのがPDF抽出ビューアです。PDFを開くと、氏名・住所・生年月日・勤務先・年収などを取り出して一覧にし、PDFの上の該当箇所に色を付けます。インストールや登録なしで、ブラウザから使えます。

画面に写っている人物・会社・住所は、すべて架空の見本です。

PDFを読み込んだ画面

PDFを画面にドラッグすると、次のようになります。賃貸の入居申込書の見本です。

入居申込書の見本PDFを読み込み、氏名や生年月日などに色が付いた画面

左がPDF、右が取り出した項目の一覧です。氏名は黄色、生年月日はピンク、住所は緑のように、項目の種類ごとに色を分けています。書類の種類も自動で判定し、和暦の「平成8年9月3日」は1996-09-03に直して表示します。

各項目は「確認する」「修正する」で確かめながら進めます。見つからなかった項目は、PDFの上をドラッグして値を入れられます。結果はJSONや、ハイライトを注釈として書き込んだPDFで保存できます。

対応している書類

いまは次の6種類です。賃貸の入居審査や住宅ローンの審査で受け取る書類に絞っています。

書類主な項目
源泉徴収票氏名、住所、生年月日、勤務先、支払金額(年収)など
課税証明書・所得証明書氏名、住所、生年月日、給与収入、合計所得金額など
住民税決定通知書氏名、住所、勤務先、給与収入、年税額など
確定申告書(第一表)氏名、住所、職業、事業収入、申告納税額など
住宅ローン申込書氏名、勤務先、年収、他の借入、借入希望額など
入居申込書(賃貸)物件、賃料、申込者と連帯保証人の氏名・勤務先・年収など

住宅ローン申込書は、家を買うときに銀行へ出す、ローンの申込書です。借りたい金額や年収、ほかの借入を書き、銀行はそれを源泉徴収票などと見比べて審査します。

スキャンしたPDFの読み取り

紙をスキャンした画像だけのPDFも、ブラウザの中でOCR(文字の読み取り)をしてから項目を取り出します。次は、「複写」の地紋が入った課税証明書の見本です。

課税証明書のスキャンPDFをOCRで読み取り、項目に色が付いた画面

地紋があっても、氏名や合計所得金額などは取れています。ただ、「給与所得」には、生命保険料控除の欄の28,000を読み間違えて入れています。値をどこから取ったかが色で分かるので、こうした間違いにはすぐ気づけます。手書きの書類は、まだうまく読めません。

前年度との比較

「前回と比較」で、前年の同じ書類と比べられます。前年の書類は、PDFでも、保存しておいたJSONでも構いません。次は、源泉徴収票の令和7年分を令和6年分と比べた例です(令和6年分は、見本の金額を書き換えて用意しました)。

源泉徴収票を前年分の抽出結果と比べ、変わった項目が並んだ画面

支払金額は550万円から580万円に増えています。変わった項目と差額、増減の割合が並びます。氏名や生年月日が違うときは、別の人の書類かもしれないと注意を出します。

PDFをインターネットに出さない作り

個人情報の入った書類を扱うので、PDFの中身はブラウザの中だけで処理しています。

PDFの処理はパソコンのブラウザの中で完結し、インターネットにはPDFも取り出した値も出ないことを示した図

ネットにつながるのは、ページを開くときにアプリ本体とOCRのデータを受け取る場面だけです。読み込んだPDFと取り出した値は、どこにも送りません。項目の取り出しは正規表現と文字の位置で決めたルールで行い、AIのサービスは使っていません。CSP(コンテンツセキュリティポリシー)で、ほかのサイトとは通信できないようにもしています。

使えそうな仕事

対応している書類から考えると、次のような仕事に使えそうです。

  • 賃貸の仲介・管理会社や家賃保証会社の入居審査
  • 不動産の売買仲介や銀行での、住宅ローンの申込書類の確認
  • 年末調整で、中途入社した人の前職の源泉徴収票を扱う人事・労務
  • 確定申告書や源泉徴収票から数字を拾う、税理士事務所やファイナンシャルプランナー

まとめ

PDFから氏名・生年月日・年収などを取り出して色を付け、前年度の書類との違いも確かめられるツールを作りました。PDFはインターネットに出さないので、個人情報の入った書類にも使えます。ソースコードはGitHubで公開しています。

https://pdfcheck-tool.com/