既存のPDFからテキストを抽出するための処理を行う
flowchart
s((start))
a[紙資料のスキャン: 手作業]
b[PDFから画像の抽出: PDFとして読み取った場合: pdf2img.py]
c[画像の整形: 手作業]
d[画像からテキストデータ抽出: ocr2.py]
e[テキストデータと紙資料を突き合わせチェック: 手作業]
f((End))
s --> a
a --> b
b --> c
c --> d
d --> e
e --> f
pdf2img.py
入力PDFファイル指定部分を修正
filename = "list_ex.pdf"
出力用 output フォルダを準備しておくこと
out_file = "output/extracted_image{}.png".format(num_of_pics)
python pdf2img.py
ここは手作業！
表形式など複雑な形状は読み取り精度が下がりやすく、読み取ったとしてもテキストの配置が表計算ソフトに直接貼り付けられるような形式ではない(セル分割されて貼り付けられたりはしない)ため、なるべく読み取りたい文字列のみとなるように画像編集ソフト等で画像を加工しておく。
- 漢字氏名部分のみ切り出す
- 文字以外の点や線を消去しておく
ocr2.py
入力フォルダ部分を修正する
dir = "img_name"
出力用フォルダ text を作成しておくこ
with open(f"text/{file[:-4]}.txt", mode="w") as f:
python ocr2.py
- ocr.py
tesseract 版のOCR 今回試した限りでは読み取り精度は高くなかった。
devcontainerには必要なライブラリを含めていません。試す場合は自分でインストールしてください。