目的

本プログラムは複数ディレクトリに保存された各PDFファイルをOCRし、.txt形式で保存することを目的としています。
テキストを取り込んでNLPにかけたいときなど、Rで一気にやれると楽なので作ってみました。

こんな感じのディレクトリ構造を想定しています

こんな感じで整理してください

  カレントディレクトリ
  |--ディレクトリA
  |    |--PDFファイルa1
  |    |--PDFファイルa2
  |    |--PDFファイルa3
  |
  |--ディレクトリB
  |    |--PDFファイルb1
  |    |--PDFファイルb2
  |    |--PDFファイルb3
  |
  |--ディレクトリC
       |--...

まずはパッケージのインストールなどをします

OCRのパッケージは精度が高めなtesseractを使います。なお、そのままだと日本語を認識しないため、日本語パックを使えるようにします。

install.packages("tesseract")#OCRのパッケージ
install.packages("Rcpp")#tesseractを利用するための依存パッケージ
library(tesseract)
tesseract_download('jpn')#日本語パックをダウンロード

正常に動いているか確認します。

>tesseract_info()
$datapath
[1] "C:\\Users\\XXXXXXX\\AppData\\Local\\tesseract4\\tesseract4\\tessdata/"

$available
[1] "eng" "jpn" "osd"

$version
[1] "4.1.1"

$configs
 [1] "alto"             "ambigs.train"     "api_config"       "bigram"           "box.train"        "box.train.stderr"
 [7] "digits"           "get.images"       "hocr"             "inter"            "kannada"          "linebox"         
[13] "logfile"          "lstm.train"       "lstmbox"          "lstmdebug"        "makebox"          "pdf"             
[19] "quiet"            "rebox"            "strokewidth"      "tsv"              "txt"              "unlv"            
[25] "wordstrbox"

$availableに"jpn"が含まれていれば日本語パックのインストールは成功です。

ではやっていきましょう

今回はEドライブの'PDFバックアップ'というディレクトリで実行しました。
tesseractの挙動は、

PDFの各ページ個別に.pngファイルを生成する
.pngファイルを生成後にOCRを実行する

という挙動なので実行後に大量のpngファイルが残ります。なのでfor文の最後にpngファイルを消すスクリプトを書いています。

current_dir <- "E:/PDFバックアップ/"
setwd(current_dir)
pdf_dir <- c(list.files()) #PDFを取得するディレクトリの一覧表を取得

for (j in 1:length(pdf_dir)){
  setwd(paste(current_dir,pdf_dir[j], sep=""))
        for (i in 1:length(pdfdata)){
          write(ocr(pdfdata[i], engine ="jpn"), paste(pdfdata[i],".txt", sep=""))
        }
  png_files <- c(list.files(pattern=".png"))
  file.remove(png_files)
}

参考にさせていただいた投稿

RでOCRしてみる（Tesseractパッケージ）