Tesseract OCR メモの続きです。
Tesseract OCR メモ
https://hide.ac/articles/MAg5H2KlK
古い図面データをまとめてスキャナーでPDFにしたいときなど
例えば、右下の図面番号を拾って、各ページを分割、ファイル名にすることを想定しています。
Pythonを使用したPDFからのテキスト抽出とページ別PDFの保存
導入
この記事では、Pythonを用いてPDFファイルから特定の領域のテキストを抽出し、そのテキストを基に新しいPDFファイルの名前を生成する方法を紹介します。この技術は、文書管理システムにおける自動ファイリングや、大量のPDFファイルを扱う際の作業効率化に役立ちます。
必要なツール
- Python: プログラミング言語
- Tesseract OCR: テキスト抽出のためのオープンソースOCRエンジン
- PikePDF & PDF2Image: PDFファイルの処理と画像変換に使用
- Pillow (PIL): 画像処理ライブラリ
ステップバイステップのガイド
- 環境設定: 必要なライブラリのインストールとTesseract OCRのセットアップ。
-
PDFから画像への変換:
pdf2imageを使用してPDFファイルを画像に変換します。 -
テキスト抽出:
Tesseract OCRとPillowを使用して、変換された画像から特定領域のテキストを抽出します。 -
新しいPDFの生成と保存: 抽出したテキストをファイル名に使用し、
PikePDFで元のPDFのページを新しいPDFとして保存します。
コードの詳細解説
このスクリプトは、Pythonを使用してPDFファイルから特定の領域のテキストを抽出し、そのテキストをもとにして各ページを個別のPDFファイルとして保存するプロセスを自動化します。以下、コードの主要部分を順に説明します。
必要なライブラリのインポート
from pdf2image import convert_from_path
import pytesseract
from PIL import Image
import os
import re
import pikepdf
-
pdf2image: PDFを画像に変換するためのライブラリ。 -
pytesseract: Tesseract OCRをPythonから利用するためのラッパー。 -
Pillow (PIL): 画像処理ライブラリ。ここでは、画像の特定の領域をクロップするために使用します。 -
os: ファイルパスの操作やディレクトリの作成に使用します。 -
re: 正規表現を使ってファイル名から不適切な文字を除去します。 -
pikepdf: PDFファイルの操作に使用します。
Tesseract OCRのパス設定
pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'
Tesseract OCRがインストールされているパスを指定します。これにより、pytesseractがTesseract OCRを呼び出す際に正しい場所を参照できるようになります。
PDFから画像への変換
pdf_path = r"C:\Users\******\Desktop\OCRtest\your_pdf_file.pdf"
output_dir = r"C:\Users\******\Desktop\OCRtest\output"
images = convert_from_path(pdf_path)
-
pdf_path: 処理するPDFファイルのパス。 -
output_dir: 生成されるPDFファイルを保存するディレクトリのパス。 -
images:convert_from_path関数を使用して、PDFファイルを画像のリストに変換します。
テキストの抽出とPDFファイルの保存
area = (width * 0.82, height * 0.93, width, height)
右下の図面番号を拾って、ファイル名にすることを想定しています。
with pikepdf.open(pdf_path) as pdf:
for i, image in enumerate(images):
width, height = image.size
area = (width * 0.82, height * 0.93, width, height)
cropped_image = image.crop(area)
text = pytesseract.image_to_string(cropped_image, lang='eng').strip()
if text:
filename = re.sub(r'[\\/*?:"<>|]', "", text.splitlines()[0])[:15]
else:
filename = "no_text"
unique_filename = f"{i + 1}_{filename}.pdf"
file_path = os.path.join(output_dir, unique_filename)
new_pdf = pikepdf.new()
new_pdf.pages.append(pdf.pages[i])
new_pdf.save(file_path)
print(f"PDF saved as {file_path}")
- 各ページをループ処理し、画像の特定領域からテキストを抽出します。
- 抽出したテキストをファイル名に使用し、それぞれのページを新しいPDFファイルとして保存します。テキストが抽出されなかった場合は、デフォルトのファイル名を使用します。
-
pikepdf.new()で新しいPDFを作成し、pdf.pages[i]で元のPDFから特定のページを新しいPDFに追加します。そして、指定されたパスにPDFを保存します。
使用例と応用
古い図面を複数枚まとめてスキャナーでPDFにしたとき、それぞれのページを図番を振って保存したいときなど
今回は、右下の図面番号を拾って、ファイル名にすることを想定しています。
まとめ
この方法を使えば、大量のPDFファイルを効率的に管理し、必要な情報に迅速にアクセスするための作業を自動化できます。
という感じ