本文へスキップ

PDF請求書をExcelにデータ化:AIが必要なときと不要なとき

Markdownで表示Claudeで開くChatGPTで開くPerplexityで開く

質問もコピーされます。チャットが空で開いた場合は貼り付けてください。

このページの内容
  1. テキストPDFとスキャンは、どう見分ける?
  2. AIなしで、テキストPDFの請求書からデータを取り出せる?
  3. PDFがスキャンのときはどうなる?OCRは必要?
  4. スキャンで、モデルは何を間違えた?
  5. なぜ算術チェックはほとんど何も見つけなかった?
  6. Excelファイルはどんな形にすればよい?
  7. 費用と所要時間は?
  8. スキャンの結果を左右するものは?
  9. 試していないことは?
  10. 実際の請求書ならどうする?
  11. 似たケース

TL;DR

まず、PDFにテキスト層があるか確認してください。あれば、AIを使わない短いスクリプトで、テストした請求書30枚すべてについて、ヘッダーも明細行113行もすべて正しく読み取れ、処理時間の中央値は1枚あたり0.03秒でした。スキャンでは同じスクリプトは何も返さないので、モデルが必要です。報告している実行では、Claude Haiku 5.5はスキャン30枚すべてで税抜・VAT・税込の合計を正しく読みましたが、VAT ID、請求書番号、品名の数字と、2つの明細行の金額を読み違えました。全項目が正解だった請求書は30枚中4枚で、見た目が似た文字の違いを無視すると12枚です。算術のチェックは、誤りのあった18枚のうち2枚を検出しました。VAT IDのチェックディジットは18枚のうち16枚を検出し、算術のチェックと合わせると18枚のうち17枚です。

Denysです。フルスタック・AIエンジニアです。PDFの請求書をExcelにデータ化するとき、何が機能し、どのくらいの頻度で間違えるのかを知りたいと思いました。そこで、AI 4モデルを比べた前回のテストと同様の架空の仕入先請求書30枚(チェコ10枚、ドイツ10枚、ポルトガル10枚、明細行は合計113行)で、最初から最後まで自分で実行しました。会社名にはサンプルを示す語(Vzor、Muster、Beispiel、Exemplo)が入り、すべての請求書にSAMPLEのフッターがあり、VAT IDはEUのVIESサービスで確認して、すべて「not valid」と返ってきました。今回はPDFを使い、明細行を加え、Excelのブックで終わります。

テキストPDFとスキャンは、どう見分ける?

会計ソフトから出力したPDFには、テキストそのもの、つまりテキスト層が入っています。スキャンしたPDFは、ページの画像をPDFファイルで包んだもので、テキストは入っていません。マウスで単語を選択できれば、テキストPDFです。

各請求書について両方の版を作り、PDFは全部で60個になりました。テキストPDF30個のすべてにテキスト層がありました。スキャン30個のすべてで、PDFライブラリが取り出せた文字は0文字でした。スキャンは前回のテストと同じ加工(回転、ぼかし、ノイズ、強いJPEG圧縮)による再現で、スキャナーで読んだ紙ではありません。

AIなしで、テキストPDFの請求書からデータを取り出せる?

取り出せます。pdfplumber(テキスト層を読む無料のライブラリ)を使ったPythonスクリプトを書きました。言語ごとのラベルのセット、ページの左右で見つけるVAT ID(仕入先は左、請求先は右)、明細行ごとの正規表現という構成です。3種類のレイアウトに対して94行です。

テキストPDFでの結果:30枚中30枚が全項目正解、ヘッダー270項目に誤りは0、明細行は113行中113行が正解で、処理時間の中央値は1枚あたり0.03秒、費用はかかりません。

大きな但し書きがあります。ルールはこの30枚そのものを見ながら書いたので、ルールにとって最良のケースです。仕入先のレイアウトが変わるたびに新しいルールが必要で、ほかのレイアウトは試していません。ルールで対処が必要だった点が2つあります。

  • 読み取り順。 30枚すべての請求書で、3つのレイアウトのすべてにおいて、テキスト層では請求先のVAT IDが仕入先のものより先に出てくるため、「最初のVAT IDを取る」だと入れ替わります。このスクリプトは、ページの左半分と右半分を別々に読みます。
  • VAT IDの接頭辞。 ポルトガルの請求書は、IDを PT 付きで印字したり、付けずに印字したりします。接頭辞なしで比較しています。正解値と違うのがこの点だけの請求書が8枚ありました。
PDF請求書からExcelへ。最初の問いは、PDFにテキスト層があるかどうかです。テキスト層あり:PDF → ルール → Excelファイル、テキスト層なし(スキャン):PDF → AIモデル → VATチェック → 確認 → Excelファイル。
架空の請求書30枚による私のテストより、2026年10月22日。VATチェック:VAT IDのチェックディジット。

PDFがスキャンのときはどうなる?OCRは必要?

スクリプトは、音もなく失敗します。スキャン30個では、extract_text() が毎回空の文字列を返しました。呼び出しは成功し、ヘッダー270項目はすべて空で返ってきました。エラーは1件も出ていません。

スキャンについては、各PDFをOpenRouter経由でClaude Haiku 5.5に送りました。このモデルはPDFを直接読み、OCRの工程を別に挟みません。temperature 0で、請求書1枚につきJSONを1つ。ヘッダー9項目と明細行(品名、数量、単価、金額)です。

方法と入力 全項目正解の請求書 正解の明細行
スクリプト、テキストPDF 30枚中30枚 113行中113行
スクリプト、スキャン 30枚中0枚 113行中0行
Haiku 5.5、テキストPDF 30枚中29枚 113行中112行
Haiku 5.5、スキャン、厳密 30枚中4枚 113行中76行
Haiku 5.5、スキャン、似た文字を無視 30枚中12枚 113行中108行

「全項目正解」とは、ヘッダー9項目とすべての明細行が一致することです。テキストPDFでのHaikuの唯一の誤りは品名で、Europalette を Europaletten と返したもので、ヘッダーは30枚中30枚が正解でした。スキャンでは、ヘッダー9項目がすべて正解だった請求書は30枚中14枚でした。

全項目正解の請求書(30枚中)。ヘッダーも明細行もすべて正解。スキャンのHaiku 5.5は、見た目が似た文字(×とx、–と-)を無視すると12枚。ルールスクリプト、テキストPDF:30、ルールスクリプト、スキャン:0、Haiku 5.5、テキストPDF:29、Haiku 5.5、スキャン:4。
架空のチェコ、ドイツ、ポルトガルの請求書30枚による私のテスト、2026年10月22日。テキストPDFにはテキスト層があり、スキャンにはありません。

スキャンで、モデルは何を間違えた?

お金が中心ではありません。発行日、支払期日、通貨、税抜合計、VAT、税込合計は、この実行では30枚すべてで誤りが0でした。数量、単価、金額は113行中111行が正解でした。誤りは主に文字でした。

  • ヘッダー:16枚の請求書で21項目が誤り、すべてVAT ID。仕入先のVAT IDが6回、請求先のVAT IDが15回。
  • 明細行:113行のうち37行が完全一致せず。 32行は字形の違いだけです。× が x に、– が - に、µ(マイクロ記号)が μ(ギリシャ文字のミュー)になりました。5行は本当の読み違いです。品名3行(filme estirável を fita estirável、すべて1枚のポルトガルの請求書)と、金額2行(184,00 を 164,00、1.376,67 を 1.378,67 と読みました)。

なぜ算術チェックはほとんど何も見つけなかった?

ブックには、2つのチェックを列として入れました。明細行の合計が税抜合計に一致すること、そして税抜+VATが税込合計に一致することです。どちらも誤差0.01以内です。モデルのスキャン結果では、実際に誤りのあった18枚のうち2枚にフラグが立ちました(字形の違いも誤りと数えると26枚中2枚)。明細行の金額を読み違えた、その2枚です。ヘッダーの金額は正しかったので、合計は成り立っていました。数値のチェックでは、IDや単語の中の誤った数字は見えません。前回のテストでも同じパターンで、合計額の検算が検出したのは、誤りのあった63枚のうち3枚でした。

スクリプトの空の出力では、2つのチェックが30枚中30枚で作動しました。何も返さない抽出は、少なくともスプレッドシート上では派手に失敗します。

3つ目のチェックであるVAT IDのチェックディジット(チェコのDIČ、ドイツのUSt-IdNr、ポルトガルのNIFにpython-stdnumを使用)は、誤りのあった18枚のうち16枚を検出し、正しい請求書への誤検出はありませんでした。誤ったVAT IDでこれを通ったものはありません。算術のチェックと合わせると、18枚のうち17枚です。残った1枚は、品名だけが読み違えられたポルトガルの請求書で、PDFを横に開いて行を見比べる人が必要です。

Excelファイルはどんな形にすればよい?

シートは2つです。Invoices は請求書1枚につき1行で、ファイル名、請求書番号、発行日と支払期日、仕入先と請求先のVAT ID、通貨、税抜・VAT・税込、明細行数と明細行の合計、3つのチェック列を持ちます。Lines は明細行1行につき1行で、ファイル名、請求書番号、行番号、品名、数量、単価、金額を持ちます。2つのシートは請求書番号でつながります。請求書1枚を1行に平らに並べる形は使えません。明細行の数がまちまちで、私の最長の請求書は9行あるからです。

数値は数値として、日付は日付として入れます。チェコの 175 011,84 Kč やドイツの 10.465,61 € は、書き込む前に変換しておかないと、Excelが文字列として扱い、合計から無視されます。保存したファイルを開き直して2,256個のセルの型を確認しました。日付、金額、数量、チェック結果はすべて正しい型で、文字列として保存されたものは0でした。ほかに300個のセルが空で、それはスクリプトが何も見つけられなかった行です。

ファイルはライブラリで読み戻しただけで、ExcelやLibreOfficeでは開いていません。また、チェックの列は数式ではなくTRUEまたはFALSEの値です。

費用と所要時間は?

スクリプトは無料で、1枚あたり0.03秒です。Haiku 5.5では、OpenRouterが各呼び出しに請求した実費を使いました。

Haiku 5.5 請求書1,000枚あたりのUSD 1枚あたりの処理時間の中央値(秒)
テキストPDF 0.58 2.96
スキャン 0.72 4.31
両方まとめて 0.65 3.66

実行全体は呼び出し60回で USD 0.038847(入力133,197トークン、出力51,055トークン)、失敗した呼び出しも、再試行も、解析できない応答もありませんでした。時間にはネットワークとモデルの推論が含まれ、同時に8件の呼び出しを走らせています。

スキャンの結果を左右するものは?

同じモデルが同じスキャンを読んでも、結果は1つの数字になりません。何が効くのかを見るため、このセットでスキャンのテストを繰り返しました。スキャンだけ、temperature 0、条件ごとに2回ずつで、さらに240回の呼び出し、USD 0.145779 です。条件は、入力(ページを画像で送るか、PDFで送るか)とプロンプト(ヘッダー9項目か、ヘッダーと明細行か)です。ヘッダー9項目がすべて正解だった請求書の数(30枚中):

条件 実行1 実行2
画像、ヘッダーのみ 13 14
画像、ヘッダーと明細行 14 14
PDF、ヘッダーのみ 13 13
PDF、ヘッダーと明細行 15 12

上で報告した実行は、ヘッダーと明細行を求めた5回目のPDF実行で、結果は14です。4モデルの画像テストでも、これらのスキャンでHaikuは14でした。

  • 入力経路:目に見える影響はなし。 画像の実行は13、14、14、14、14(平均13.8)、PDFの実行は13、13、15、12、14(平均13.4)でした。範囲はほとんど完全に重なっています。
  • プロンプトの大きさ:目に見える影響はなし。 ヘッダーのみは13、14、13、13、ヘッダーと明細行は14、14、15、12、14でした。
  • 実行ごとのぶれ:0〜3枚。 同じ条件の繰り返しの間の差です。
  • 請求書のセットが最大の要因です。 同じモデル、同じ画像プロンプトで、以前の30枚のセットは22と22でした。このセットは13と14です。各国には請求先VAT IDが1つあり、10枚の請求書で繰り返されます。このセットでは、Haikuは画像の1回の実行あたり30枚中11〜13枚でそれを読み違えます(以前のセットでは2〜3枚)。1つの読み違えた文字列で、最大10枚の請求書が同時に動きます。2つのセットと1つのモデルでは、セットの影響がほかの2つの要因より大きいことは示せますが、特定の文字列がなぜ読みにくいのかは示せません。
  • 金額も間違うことがあります。 繰り返しの実行8回のうち4回で、少なくとも1つの金額が間違っていました。合計のチェックは、そのうち4枚中2枚にフラグを立て、2枚は黙ったままでした。報告している実行にはヘッダーの金額の誤りがなかったので、「お金が中心ではない」はそこでは成り立ちますが、すべての実行で成り立つわけではありません。

試していないことは?

  • Excel自身の取り込み(Power Queryの「PDFから」、画像からのデータ)。
  • 実際の仕入先請求書。30枚はすべて架空で、レイアウトは3種類、フォントは1つ、各1ページです。
  • 複数ページの請求書、ほかの言語、写真、実際のスキャナーのノイズ。
  • OCRの出力をルールスクリプトに渡す方法。スキャンの基準は、スクリプト単体です。
  • Haiku 5.5以外のモデル。
  • 調整していないレイアウトに対するルール。

実際の請求書ならどうする?

これは数字からの私の読みで、測定した結果ではありません。まずテキスト層を確認します。テキストPDFを出す仕入先が少数なら、ルールのほうが安く、速く、このテストでは正確でした。レイアウトが多い、または分からない場合や、スキャンの場合は、モデルを使い、VAT IDのチェックディジットと算術のチェックを実行し、フラグが立ったものと、私のどのチェックも対象にしていない品名を、人が見るようにします。

スクリプト、請求書、正解ファイル、結果、ブックはこのzipに入っています。PDF 60個とモデルの生の回答も含まれているので、採点とブックの再生成はAPIキーなしでできます。私の請求書読み取りのプロトタイプは、サンプルデータで動いています。

会社のどの業務を自動化する価値があるかまだ見極めている段階でしたら、選ぶところからお手伝いし、その後に構築まで行います。詳しくは中小企業向けAI導入支援・AIコンサルをご覧ください。 小さな会社でAIを最初に使うもう一つの定番は顧客メッセージです。WhatsAppチャットボットの1返信あたりの費用を、Metaの料金込みでまとめています。

関連記事: 文書管理システム 中小企業向けを価格で比較.

似たケース

不動産の証明書を、2〜3週間かかりEUR 200〜300かかっていたものから、2〜3分でEUR 99のものに変えるサービスを、スクリプトとビジョンAIで作りました。構築の内容は不動産書類の自動化の事例にあります。

請求書を誰も打ち直さずに、スプレッドシートや会計ツールに届けたい場合は、業務自動化として作ります。

請求書を手作業でスプレッドシートに移していますか?ご連絡ください。最適な選択肢を一緒に考えます。

まだ請求書を手で移していますか?

今お使いのものと必要なものを教えてください。私が選ぶ選択肢をお返事します。

ご連絡ください

© 2026 Denys Zaichenko. 元の記事: https://madsalt.tech/ja/blog/pdf-invoice-to-excel/