Google Drive上のファイルをOCRする

Google Driveで、Drive上のPDFや画像ファイルを「Google Documentで開く」すると、元ファイルがGoogle Documentに変換され、そこからテキストだけを抽出できるようになります。

Drive APIでも Files: create https://developers.google.com/drive/api/v3/reference/files/create の機能を使ってファイルをGoogle Documentとしてアップロードすることで、同様のことができます。

当然Drive上のファイルをAPIからGoogle Documentに変換することもできると思ってAPIを眺めたら、たぶん Files: export https://developers.google.com/drive/api/v3/reference/files/export に最初は目が行きますが、これだと 元ファイルがGoogle Documentである という条件があり、目的の画像やPDFのOCRではなさそうです。Files: get を使うのか？とも思いますが、これは単純にダウンロードしてしまうものなので、Files:Exportと同じことになりそうです。

でもできないことはないだろうと探したところ Files: Copy https://developers.google.com/drive/api/v3/reference/files/copy を使い、コピー先のファイルの mimetype をapplication/vnd.google-apps.document に指定することで、Drive上だけでOCR（Google Documentへの変換）が可能でした。

下記はServiceAccountでjsonのキーファイル（serviceaccount.jsonで保存）を保存して、Drive上のファイルをGoogle Documentに変換してテキストを抜きだすサンプルです。

package ocr

import (
	"io/ioutil"
	"log"

	"golang.org/x/oauth2"
	"golang.org/x/oauth2/google"
	"google.golang.org/api/docs/v1"
	"google.golang.org/api/drive/v3"
)

func copyFileAsGoogleDocument(fileID string) (*drive.File, error) {
	driveService, err := newDriveService()
	if err != nil {
		return nil, err
	}
	dst := &drive.File{
		Name:     fileID + "_copied_document",
		MimeType: "application/vnd.google-apps.document",
	}
	return driveService.Files.Copy(fileID, dst).Do()
}
func extractText(documentID string) (string, error) {
	docsService, err := newDocsService()
	if err != nil {
		return "", err
	}
	document, err := docsService.Documents.Get(documentID).
		Fields("body/content/paragraph/elements/textRun/content", "title").
		Do()
	if err != nil {
		return "", err
	}

	text := ""
	for _, content := range document.Body.Content {
		if content.Paragraph == nil || content.Paragraph.Elements == nil {
			continue
		}
		for _, paragraphElement := range content.Paragraph.Elements {
			if paragraphElement.TextRun == nil {
				continue
			}
			text = text + paragraphElement.TextRun.Content
		}
	}
	return text, nil
}
func deleteFile(fileID string) error {
	driveService, err := newDriveService()
	if err != nil {
		return err
	}
	return driveService.Files.Delete(fileID).Do()
}

func newDriveService() (*drive.Service, error) {
	conf, err := google.JWTConfigFromJSON(jwt, drive.DriveScope)
	if err != nil {
		return nil, err
	}
	return drive.New(conf.Client(oauth2.NoContext))
}
func newDocsService() (*docs.Service, error) {
	conf, err := google.JWTConfigFromJSON(jwt, docs.DocumentsScope)
	if err != nil {
		return nil, err
	}
	return docs.New(conf.Client(oauth2.NoContext))
}

var jwt []byte

func init() {
	bytes, err := ioutil.ReadFile("serviceaccount.json")
	if err != nil {
		log.Fatalf("%#v", err)
	}
	jwt = bytes
}

package ocr

import "testing"

func TestOCR(t *testing.T) {
	fileID := "対象のファイルID"

	copy, err := copyFileAsGoogleDocument(fileID)
	if err != nil {
		t.Fatalf("%v", err)
	}
	defer deleteFile(copy.Id)

	text, err := extractText(copy.Id)
	t.Logf("%v", text)
}