１．はじめに
OCR機能を使用しPDFの文字列を抽出する方法を記載します。標準機能では、日本語対応をしていないため、「Tesseract」をインストールし日本語を読めるようにします。
２．事前準備
２－１．Tesseractインストール
マンハイム大学図書館(UB Mannheim)も使用しているTesseractを下記より64bit版をダウンロードしインストールを行います。
Tesseract インストーラー
「tesseract-ocr-w64-setup-5.3.3.20231005.exe」をダブルクリックすると、ダイアログ（このアプリデバイスに変更を加えることを許可しますか？）が表示されますので、「はい」をクリックします。
言語選択のダイアログが表示されますが、日本語がないので「English」を選択し「OK」をクリックします。
デフォルトのまま「Next」をクリックします。
「I Agree」をクリックします。
「Install for anyone this computer」を選択し、「Next」をクリックします。
Choose Components画面で「Additional script data (download)」⊞をクリックし展開します。
Japaneseから始まる２つを選択しします。
ここでは、「Next >」をクリックしないでください。
Choose Components画面で「Additional language data (download)」⊞をクリックし展開します。
Japaneseから始まる２つを選択し、「Next >」ボタンをクリックします。
※「Javanese」は、放念ください
デフォルトのまま「Next >」をクリックします。
「Install」をクリックします。
インストールが完了しましたので、「Finish」をクリックします。
２－２．動作確認
画像ファイル(test.png)から文字を認識しテキストファイルに書き出せるか検証します。
コマンドプロンプトを起動し、下記のコマンドを実行します。
詳しくは、コマンドラインの使用法を参照
C:\PDF>"C:\Program Files\Tesseract-OCR\tesseract.exe" test.png test_out -l jpn
C:\PDFフォルダにtest_out.txtファイルが作成されていますのでメモ帳で確認します。
認識誤りの文字が存在しますが、動作検証は問題なさそうです。
３．まとめ
今回は「OCRでPDFの文字列を抽出」の事前準備として、OCRで日本語を読み取れるようにTesseractのインストール方法を記載しました。次回は、Power Automate DeskTopのOCR機能を使用しPDFから文字列を抽出する方法を記載します。
コメント