OCRが「令和」を「今和」と読む問題を、暦で確かめてから直す小さな道具を作った

困りごと

日本語のPDFや帳票をOCRに通してAIに読ませると、日付が崩れることがあります。

• 元号の「令」が「今」や「合」になる(今和6年3月15日)
• 「日」が「曰」や「目」になる、数字の0や1が O や l になる(2O24年l月5日)

ある文書解析の道具を日本語PDFで測った記事では、OCRに回ったページで「令→今」の誤りがほぼ全部に出ていました(https://dev.to/elvisyao007/does-a-chinese-document-parser-actually-work-on-japanese-pdfs-i-measured-it-and-the-answer-is-2f5 )。
AIがこれを受け取ると、推測で直すか、存在しない日付を作ります。

作ったもの

JP OCR Date Fix(MIT・Python標準ライブラリのみ・外部通信なし)。
https://github.com/ayatrader/jp-ocr-date-fix

やることは3つだけです。

1. 「元号+年+月(+日)」または「西暦+年+月(+日)」の形をした所だけを候補にする
2. 決まった見間違えの表(今→令、戒→成、照→昭、曰→日、O→0、l→1 など)で置きかえる
3. 置きかえた日付が暦に実在し、元号の期間内にあるときだけ直す。確かめられないものは直さずに知らせる

from jpocrdate import check_date
check_date("平戒31年4月30日")   # fixed → 平成31年4月30日 (2019-04-30)
check_date("平成31年5月1日")    # invalid(平成は4月30日まで。推測で直さない)

AIエージェントからは MCP サーバー(python -m jpocrdate.server)として呼べます。道具は jp_ocr_fix_dates と jp_ocr_check_date の2つです。

できないこと

• R6.3.15 のような略記はまだ扱いません
• 見間違えの表は手で作ったもので、すべての誤りは拾えません
• 会社名や金額は対象外です

テストは18件。間違いや足りない見間違えがあれば Issue で教えてください。