LoginSignup
1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?

@Hiroshi_Tanaka12

Javaを使用して画像やスキャンされたPDFのテキストを認識する方法

Posted at

スキャンされたPDFファイルや画像は、通常、テキストが画像形式で保存されているため、そのままでは編集や検索ができません。この問題を解決するために、OCR（光学文字認識）技術が開発されました。OCRは画像内のテキスト領域を解析し、それを編集可能なテキストに変換することにより、情報の抽出を容易にします。現在、OCRは文書のデジタル化、データ抽出、テキスト検索など、さまざまな業界で広く活用されています。

この記事では、JavaでOCRを使用して画像やスキャンされたPDFのテキストを認識するソリューションを紹介します。

ツールとセットアップ

JavaでOCRを実行するには、適切なOCRライブラリが必要です。この記事では、Spire.OCR for Javaを使用します。このライブラリを使用する前に、以下の2つの手順を完了する必要があります。

  • ライブラリのJARファイルをプロジェクトにインポートする

    公式サイトからJARファイルをダウンロードするか、以下のコードをpom.xmlファイルに追加してMavenを通じてインストールします：

    <repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>https://repo.e-iceblue.com/nexus/content/groups/public/</url>
    </repository>
</repositories>
<dependency>
    <groupId>e-iceblue</groupId>
    <artifactId>spire.ocr</artifactId>
    <version>1.9.19</version>
</dependency>

  • Spire.OCR for Javaのモデルをダウンロードする

    Spire.OCR for Javaは、Windows（64ビット）およびLinux（64ビット）システム用の事前学習済みモデルを提供しています。使用しているオペレーティングシステムに応じて適切なモデルをダウンロードし、解凍して特定のディレクトリに保存してください。

    Win-x64
    Linux-x64

    これらの手順を完了すると、Spire.OCRを使用して画像やスキャンされたPDFのテキストを認識する準備が整います。

Javaで画像のテキストを認識する方法

画像からテキストを抽出する手順は以下のとおりです：

  • OcrScannerクラスのインスタンスを作成する
  • ConfigureOptionsクラスのインスタンスを作成する
  • ConfigureOptions.setLanguage()メソッドを使用してテキスト認識の言語を指定する。サポートされている言語には、英語、日本語、中国語、フランス語、ドイツ語、韓国語があります
  • ConfigureOptions.setModelPath()メソッドでOCRモデルのパスを設定する
  • OcrScanner.ConfigureDependencies()を使って設定を適用する
  • OcrScanner.scan()メソッドを使用して画像からテキストを認識する
  • OcrScanner.getText()メソッドを使って認識されたテキストを取得する
  • 認識したテキストをテキストファイルに保存する

以下のコード例は、Javaで画像からテキストを抽出する方法を示しています：

import com.spire.ocr.ConfigureOptions;
import com.spire.ocr.OcrException;
import com.spire.ocr.OcrScanner;

import java.io.FileWriter;
import java.io.IOException;

public class ExtractTextFromImage {

    public static void main(String[] args) {
        // ライセンスキーを適用してください（こちらのリンクからリクエストできます: https://www.e-iceblue.com/TemLicense.html）
         com.spire.ocr.license.LicenseProvider.setLicenseKey("ライセンスキー");

        // 画像からテキストを認識
        String scannedText = scanTextFromImage("テスト.png", "Japan", "E:\\win-x64");

        // 認識したテキストをファイルに保存
        saveTextToFile(scannedText, "画像.txt");
    }

    /**
     * メソッド：画像からテキストを認識
     * @param imagePath 画像パス
     * @param language OCR言語（英語、中国語、繁体字中国語、フランス語、ドイツ語、日本語、韓国語などがサポートされています）
     * @param modelPath OCRモデルパス
     * @return 認識されたテキスト
     */
    private static String scanTextFromImage(String imagePath, String language, String modelPath) {
        try {
            // OcrScannerクラスのオブジェクトを作成
            OcrScanner scanner = new OcrScanner();
            // スキャナー設定を行う
            ConfigureOptions configureOptions = new ConfigureOptions();
            // テキスト認識に使用する言語を指定
            configureOptions.setLanguage(language);
            // モデルのパスを指定
            configureOptions.setModelPath(modelPath);
            // 設定をスキャナーに適用
            scanner.ConfigureDependencies(configureOptions);

            // 画像からテキストを認識
            scanner.scan(imagePath);
            // 認識されたテキストを取得
            return scanner.getText().toString();
        } catch (OcrException e) {
            System.out.println("OCR 認識中にエラーが発生しました。");
            e.printStackTrace();
            return "";
        }
    }

    /**
     * メソッド：認識されたテキストをファイルに保存
     * @param text 認識されたテキスト
     * @param filePath 保存するファイルのパス
     */
    private static void saveTextToFile(String text, String filePath) {
        // 取得したテキストをテキストファイルに書き込む
        try (FileWriter writer = new FileWriter(filePath)) {
            writer.write(text);
            System.out.println("テキストが正常に " + filePath + " に保存されました");
        } catch (IOException e) {
            System.out.println("テキストファイルの保存中にエラーが発生しました。");
            e.printStackTrace();
        }
    }
}

以下は、元の画像と認識結果です：
Javaで画像のテキストを認識する方法.png

JavaでスキャンされたPDFのテキストを認識する方法

Spire.OCR for Javaは直接PDFを処理しないため、スキャンされたPDFドキュメントを画像に変換する必要があります。このタスクでは、シームレスなPDFから画像への変換を提供するSpire.PDF for Javaライブラリを使用します。画像が生成された後、Spire.OCRを使用してテキストを抽出することができます。

公式サイトからSpire.PDFをダウンロードするか、以下のコードを追加してMavenを通じてインストールします：

<repositories>
    <repository>
        <id>com.e-iceblue</id>
        <name>e-iceblue</name>
        <url>https://repo.e-iceblue.com/nexus/content/groups/public/</url>
    </repository>
</repositories>
<dependencies>
    <dependency>
        <groupId>e-iceblue</groupId>
        <artifactId>spire.pdf</artifactId>
        <version>10.10.7</version>
    </dependency>
</dependencies>

以下のコード例は、JavaでスキャンされたPDFからテキストを抽出する方法を示しています：

import com.spire.ocr.ConfigureOptions;
import com.spire.ocr.OCRImageFormat;
import com.spire.ocr.OcrException;
import com.spire.ocr.OcrScanner;
import com.spire.pdf.PdfDocument;

import javax.imageio.ImageIO;
import java.awt.image.BufferedImage;
import java.io.*;

public class ExtractTextFromScannedPDF {

    public static void main(String[] args) throws OcrException {
        // ライセンスキーを適用してください（こちらのリンクからリクエストできます: https://www.e-iceblue.com/TemLicense.html）
        com.spire.ocr.license.LicenseProvider.setLicenseKey("ライセンスキー");
        com.spire.pdf.license.LicenseProvider.setLicenseKey("ライセンスキー");
        
        // スキャンしたPDF文書を開く
        PdfDocument pdf = new PdfDocument();
        pdf.loadFromFile("テスト.pdf");

        // FileWriterを作成し、追加モードで開く
        try (FileWriter writer = new FileWriter("スキャンPDF.txt", true)) {

            // スキャンしたPDF文書からテキストを認識し、結果をテキストファイルに保存
            for (int pageIndex = 0; pageIndex < pdf.getPages().getCount(); pageIndex++) {
                BufferedImage image = convertPdfPageToImage(pdf, pageIndex);
                String scannedText = recognizeTextFromImage(image, "Japan", "E:\\win-x64");

                // 認識したテキストをファイルに保存（追加モード）
                writer.write("ページ " + (pageIndex + 1) + ":\n");
                writer.write(scannedText);
                writer.write("\n\n"); // 各ページの内容の間に改行を2つ挿入
            }

            System.out.println("テキストが「スキャンPDF.txt」に正常に保存されました");

        } catch (IOException e) {
            System.out.println("テキストファイルの保存中にエラーが発生しました。");
            e.printStackTrace();
        }
    }

    /**
     * メソッド：PDFページを画像に変換
     * @param pdf PDF文書オブジェクト
     * @param pageIndex ページ番号インデックス（0から始まる）
     * @return 変換されたBufferedImageオブジェクト
     * @throws IOException 変換中にI/Oエラーが発生した場合
     */
    private static BufferedImage convertPdfPageToImage(PdfDocument pdf, int pageIndex) throws IOException {
        return pdf.saveAsImage(pageIndex);
    }

    /**
     * メソッド：画像からテキストを認識
     * @param image 認識するBufferedImageオブジェクト
     * @param language OCR言語（英語、中国語、繁体字中国語、フランス語、ドイツ語、日本語、韓国語などがサポートされています）
     * @param modelPath OCRモデルのパス
     * @return 認識されたテキスト
     * @throws OcrException OCR認識中にエラーが発生した場合
     * @throws IOException BufferedImageをInputStreamに変換する際にI/Oエラーが発生した場合
     */
    private static String recognizeTextFromImage(BufferedImage image, String language, String modelPath) throws OcrException, IOException {
        // BufferedImageをInputStreamに変換
        ByteArrayOutputStream os = new ByteArrayOutputStream();
        ImageIO.write(image, "PNG", os);
        InputStream inputStream = new ByteArrayInputStream(os.toByteArray());

        // OCRスキャナを設定して初期化
        OcrScanner scanner = new OcrScanner();
        ConfigureOptions configureOptions = new ConfigureOptions();
        configureOptions.setLanguage(language); // OCRの言語設定
        configureOptions.setModelPath(modelPath); // OCRモデルのパス設定
        scanner.ConfigureDependencies(configureOptions); // 設定を適用

        // テキストを認識
        scanner.Scan(inputStream, OCRImageFormat.Png);
        return scanner.getText().toString(); // 認識されたテキストを返す
    }
}

以下は、元のPDFと認識結果です：
JavaでスキャンされたPDFのテキストを認識する方法.png

補足

OCRの精度は、画像の品質によって大きく影響されます。鮮明で高コントラストな、ぼやけや歪みのない画像を使用すると、認識精度が向上します。さらに、認識精度を最適化するために、正しい言語パラメータを選択することも重要です。

1
0
0

Register as a new user and use Qiita more conveniently

  1. You get articles that match your needs
  2. You can efficiently read back useful information
  3. You can use dark theme
What you can do with signing up
Sign upLogin
1
0

Delete article

Deleted articles cannot be recovered.

Draft of this article would be also deleted.

Are you sure you want to delete this article?