無料AIでPDFと画像をOCRする

はじめに

PDFまたは画像を無料のAIでOCRするPythonコードを作ったので共有します。
なお、この投稿のソースおよび参考情報は https://github.com/katsu-yoshimu/AI_OCR/ をご確認ください。

機能概要

入力ファイルで指定したPDFファイルまたは画像ファイルをAI（gemini-2.0-flash-exp）でOCRして出力ファイルに出力する。

環境構築

前提：ローカルPCに git、ptyhon3.12 がインストール済 ＆ Gemini APIキー 取得済

1. ローカルPCにリポジトリのクーロン作成:

   git clone https://github.com/katsu-yoshimu/AI_OCR.git
   

2. ローカルPCに仮想完了作成と仮想環境アクティベート:

   cd AI_OCR
   python -m venv .venv
   .venv\Scripts\activate
   

3. ローカルPCに必要なPythonパッケージをインストール:

   python -m pip install --upgrade pip
   pip install -r requirements.txt
   

4. Gemini APIキー値を環境変数に設定:

   コマンドプロンプト

   set GEMINI_API_KEY=（ここは取得したAPIキー値で置き換えてください）
   

   PowerShell

   $Env:GEMINI_API_KEY = "（ここは取得したAPIキー値で置き換えてください）"
   

実行

1. Pythonスクリプト実行

   python ai_ocr.py -infile サンプル.bmp -outfile サンプル.xlsx
   

   「ai_ocr.py」の使い方は「-h」でご確認ください。

   使い方の表示例

    (.venv) c:\work\AI_OCR>python ai_ocr.py -h
    usage: ai_ocr.py [-h] -infile INFILE [-outfile OUTFILE] [-outfiletype OUTFILETYPE]
   
    PDF/画像ファイルをOCRして出力します。
   
    options:
    -h, --help            show this help message and exit
    -infile INFILE        入力ファイル (PDFまたは画像)
    -outfile OUTFILE      出力ファイル (省略時は標準出力)
    -outfiletype OUTFILETYPE
                            出力ファイル形式 (txt, md, csv, html, xlsx) (省略時は出力ファイルの拡張子)
   

注意事項

• Gemini API 追加利用規約の『プライベート情報、機密情報、または個人情報を送信 しないでください。』が許容できるか？
• 使いどころに注意。AIは実行のときどきでOCRの答えが揺れるっぽい。PDFは単純にテキスト抽出した方が正確性は高い
• 無料枠なので1分間に15回。1日に1500回の実行上限がある
• xlsx出力する際に、サフィックス「.temp.md」をつけた中間ファイルを作成する。AIが直接xlsxを作成しないため、AIでマークダウン形式のテキストを作って、それを元にxlsx出力する。xlsx出力とmd出力の結果が不一致となることがあるため、その確認が目的

補足：作成経緯

PDF の OOR を検討していた。
ChatGPT APIは有料、Gemini APIは無料のため、Gemini APIを選択した。DeepSeekは出始めだったので選考外とした。
Gemini はチャット形式で、画像を入力可能。だたし、PDFは入力できない。
Vertex AI Studio はチャット形式で、PDFを入力可能。無料っぽいけど、クレジットカードの登録が必要だったので断念した。
ChatGPT はチャット形式で、PDF を入力可能。現状無料で利用できる範囲では PDF の中の画像は OCR してくれないっぽい。
ついでに python コードも AI に作ってもらったが、完全に動作するものにならず、自分でデバックした。部分的な改善も AI でやった。最後に、AI にコードレビューした。

参考リンク

• 実行する AI | スクエニ ITエンジニア ブログ - 実行時の警告について確認しておく)

  同様なウォーニングエラーが発生しました。requirements.txtに grpcio==1.60.1 を追加してエラーを解消しました。ありがとうございました。

• Qiita 【完全無料】Gemini APIチュートリアル（所要時間10分） - APIキーの取得

  Gemini APIキーの取得方法を参考にさせていただきました。ありがとうございました。

• Gemini API によるドキュメント処理機能の詳細 - ローカルに保存されている
  PDF

  公式サイトです。PDFをプロンプトに設定するコードを参考にさせていただきました。ありがとうございました。

• Gemini

  公式サイトです。pythonコードの作成＆コードレビューをしていただきました。ありがとうございました。

• Vertex AI Studio

  公式サイトです。PDFファイルのOCRを試しました。pythonコードの作成をしていただきました。ありがとうございました。

• ChatGPT

  公式サイトです。pythonコードの作成＆コードレビューをしていただきました。ありがとうございました。