やりたいこと

PDF ファイル内の画像を文字認識して、画像上に透明なフォントのテキストを埋め込んだ PDF ファイルを生成する。

pymupdf から tesseract を使用することで、PDF ファイル内の画像の文字認識を行うことができる。

tesseract

tesseract のインストール

$ sudo yum install epel-release
$ sudo yum install tesseract
$ sudo yum install tesseract-devel
$ sudo yum install tesseract-langpack-jpn

tesseract の動作確認

tesseract コマンドで画像ファイルを OCR してテキストを出力することができる。

$ tesseract -l jpn {image_file} {text_prefix}

実行例

$ tesseract -l jpn test.png ocr
$ cat result.txt
これはテストです。

これもテストです。

それもテストです。

pymupdf + tesseract

pymupdf から tesseract を使って pdf 内の画像を OCR して、OCR 結果のテキストを画像に重ねて透明なテキストを pdf に埋め込むことができる。

pymupdf のインストール

$ pip install pymupdf

日本語フォントのインストール

$ sudo yum install google-noto-sans-cjk-jp-fonts

pymupdf + tesseract のプログラム例

ocr.py

import os
import sys
import pymupdf


def add_ocr_result(org_file_name, ocr_file_name, font_name, font_path):
    doc = pymupdf.open(org_file_name)

    for page in doc:
        page.insert_font(fontname=font_name, fontfile=font_path)

        # flags=3: 一般的に "3" を使用
        # full=True: ページ全体を画像化して OCR
        # full=False: 画像のみを OCR
        text_page = page.get_textpage_ocr(flags=3, language="jpn", full=False)
        text_dict = page.get_text("dict", textpage=text_page)

        for block in text_dict["blocks"]:
            if "lines" in block:
                for line in block["lines"]:
                    for span in line["spans"]:
                        print(span["text"])
                        # render_mode=3: 不可視テキストモード
  	                page.insert_text(
                            span["origin"],
                            span["text"],
                            fontsize=span["size"],
                            fontname=font_name,
                            render_mode=3
                        )

    doc.save(ocr_file_name)
    doc.close()


def main():
    org_file_name = sys.argv[1]
    ocr_file_name = sys.argv[2]

    font_name = "ocr-jpn-font"
    font_path = "/usr/share/fonts/google-noto-cjk/NotoSansCJKjp-Regular.otf"

    # print(f"org_file_name: {org_file_name}")
    # print(f"ocr_file_name: {ocr_file_name}")

    add_ocr_result(org_file_name, ocr_file_name, font_name, font_path)
    return 0


if __name__ == '__main__':
    res = main()
    exit(res)

実行

OCR 前の pdf ファイル

上記のプログラムを実行すると、OCR の結果のテキストが画像上に透明なフォント

$ python ocr.py test.pdf ocr.pdf
これ
はテス
ト
で
す
。
これ
も
テス
ト
で
す
。
それ
も
テス
ト
で
す
。

OCR 後の PDF

OCR 前の pdf ファイルでは画像のため、文字列をドラッグできないが、OCR 後の pdf ファイルでは透明なテキストが埋め込まれているため、ドラッグしてコピー・ペーストすることができる。

参考

pdf を png に変換

$ convert -density 150 -background white -flatten {pdf} {png}

png を pdf に変換

$ convert -page A4 {png} {pdf}