【Python】高機能OCR｜Google APIによる画像解析の実例を紹介

こちらでは、PythonをつかったAI OCRの作成例をご紹介します。

今回ご紹介する内容は、PDFや画像データに含まれている文字を読み取って、文字データとして出力する機能となっています。

なお、OCRによる文字読み取りは、「GCP（Googleのクラウドサービス）」をつかっています。
こちらのサービスは、使い方によっては「有償」となる場合がありますので、あらかじめ料金体系についての内容をご確認ください。

この記事でご紹介しているポイントはこちらです。

OCRとは

「OCR」とは「Optical Character Reader」の略称で、PDFや写真データなどのテキスト部分を認識して、文字データに変換することができる光学文字認識のことです。

これに対して「AI OCR」とは、従来のOCRにAI技術を加えたものです。
機械学習による文字認識率の向上により、手書きの文字を読み取ることも実現できるようになりました。

GCPとは

「GCP」とは「Google Cloud Platform」の略称で、Googleがクラウド上で提供しているサービスを指しています。

「GCP」は、Amazonの「AWS」やMicrosoftの「Azure」などのような、いわゆるクラウドサービスの一つです。

ちなみにクラウドサービスとは、「従来は利用者が手元のコンピューターで利用していたデータやソフトウェアを、ネットワーク経由でサービスとして利用者に提供するもの」です。

Cloud Vision

今回は、数ある「GCP」のサービスなかでも、機械学習に関連するサービスである「Cloud Vision」を使います。

「Cloud Vision」では、例えばこちらのような機能を利用することができます。

実際に「Cloud Vision」の機能をAPIのデモをつかって試してみることができますので、まずはこちらGoogle Cloud の「Cloud Vision API」でご確認ください。

具体的な確認方法はこちらです。
こちらでは、画像に含まれている文字「おまちください」の読み取り精度を確認しています。

料金体系

「GCP」は他社の利用料よりも低価格に設定されていますが、「従量課金制」での利用料が発生します。初期費用や解約金などは必要ありませんので、利用に応じた支払いをすることとなります。

なお、料金体系については執筆時点から変更される可能性もありますので、利用の際にはGoogleからの案内「Cloud Visionの料金」をご確認ください。

事前準備

Cloud Vision を使用するためには、「Vision API」の設定が必要です。

具体的な設定方法については、つぎの3つの手順をご覧ください。

手順1｜プロジェクトを作成

Google Cloud が提供するサービスを使用するためには、プロジェクトを作成する必要があります。

具体的な手順はこちらです。

手順2｜課金を有効にする

Google Cloud の利用料金に対する請求先のアカウントを設定します。
無料の試用期間中や、Google Cloud の無料枠内の利用であっても、請求先アカウントを設定する必要があります。

具体的な手順はこちらです。

手順3｜APIを有効にする

プロジェクトで Vision API を有効にする必要があります。

具体的な手順はこちらです。

スポンサーリンク

「pdf2image」と「Poppler」

今回は「pdf2image」と「Poppler」の2つをつかって、PDFを画像に変換します。

それぞれの概要は次のとおりです。

「pdf2image」では、PDFを変換する際に「Poppler」を呼び出して使用します。
そのため、こちらの2つを組み合わせることによって、PDFを画像に変換することができます。

事前準備

それぞれの設定方法はこちらです。

pdf2image

「PyPI」からpipコマンドをつかって、ライブラリ「pdf2image」をインストールします。

pip install pdf2image

Poppler

「GitHub」から「Poppler」をダウンロードします。

Python｜コードの紹介

こちらでは今回お伝えするコードについての内容をまとめています。

フォルダーの構成

こちらで使用するフォルダーの構成はつぎのとおりです。

コードの動作

おおまかなコードの動作の流れはつぎのとおりです。

1.PDFを画像ファイルに形式変換する

「Vision API」の読み取り対象が、PDFではなく画像ファイルとなっているため、ファイル形式を変換します。

2.読取対象のファイルをフォルダー「Convert_Files」にまとめてコピー

フォルダー「Before_Extraction」に「PDFファイル」が含まれている場合、画像ファイルに変換したものをこちらのフォルダーに保存します。

また、フォルダー「Before_Extraction」に「画像ファイル」が含まれている場合、コピーを作成してこちらのフォルダーに保存します。

3.画像ファイルから抽出した文字情報の保存

フォルダー「Convert_Files」のファイルを「Vision API」で読み取って、文字情報を抽出します。
こちらで抽出された文字情報をテキスト形式にして、フォルダー「After_Extraction」に保存します。

コードの記述

こちらでは具体的なPythonのコードをご紹介します。

事前準備

必要なモジュールをインストール

import requests
import base64
import json
import glob
import os
from pathlib import Path
import re
from pdf2image import convert_from_path
import shutil

変数の定義

「●●●」の箇所には、ご紹介した手順で取得した「API KEY」を入力します。
また、「★★★」の箇所には、作成する各フォルダーにあわせて記述をしてください。

GOOGLE_CLOUD_VISION_API_URL = "https://vision.googleapis.com/v1/images:annotate?key="
API_KEY = "●●●"
before_extraction_folder = r"★★★\Before_Extraction\Convert_Files"
before_extraction_files = glob.glob(r"★★★\Before_Extraction\*")
after_text_extraction_folder = r"★★★\After_Extraction"

関数の定義

それぞれの関数を定義します。

APIを呼び出してjson型で結果を取得

def request_cloud_vison_api(image_base64):
    api_url = GOOGLE_CLOUD_VISION_API_URL + API_KEY
    req_body = json.dumps({
        'requests': [{
            'image': {
                'content': image_base64.decode('utf-8') # json変換のためにstring型に変換
            },
            'features': [{
                'type': 'DOCUMENT_TEXT_DETECTION', # 分析内容の指定
                'maxResults': 10,
            }]
        }]
    })
    res = requests.post(api_url, data=req_body)
    return res.json()

画像の読込

def img_to_base64(filepath):
    with open(filepath, "rb") as img:
        img_byte = img.read()
    return base64.b64encode(img_byte)

PDFを画像に変換

「▲▲▲」の箇所には、ご紹介した手順でインストールした「Poppler」の保存場所を指定します。例えば、「C:\Program Files\poppler-21.03.0」のような内容となります。

また、「★★★ 」の箇所には、フォルダー「Convert_Files」にあわせるように記述をします。

def format_conversion(files):
    # 1.poppler/binを環境変数PATHに追加する
    poppler_dir = r"▲▲▲\Library\bin"
    os.environ["PATH"] += os.pathsep + str(poppler_dir)
    # 2.関連ファイルのパス
    image_dir = Path(r"★★★\Before_Extraction\Convert_Files")
    # 3.PDFファイルの抽出
    pattern_pdf = "pdf$"
    for file in files:
        result_pdf = re.search(pattern_pdf, file,re.IGNORECASE) # 拡張子が"PDF"（大文字、小文字の区別なし）
        if result_pdf:
            pages = convert_from_path(str(file), 200) # PDF -> Image に変換（200dpi）
            for i,page in enumerate(pages):
                file_name = os.path.basename(file) + "_{:02d}".format(i + 1) + ".png"
                image_path = image_dir / file_name
                save_page = page.save(str(image_path), "PNG")  # PNGで保存
                print(str(image_path) + " に変換ファイルを保存中です。")
                return save_page

画像のコピー

def copy_files(files):
    pattern_img = "jpeg$|jpg$|png$" # 画像ファイルの拡張子を指定
    for file in files:
        result_img = re.search(pattern_img, file, re.IGNORECASE)
        if result_img:
            print("ファイルのコピー：　" + str(file))
            return shutil.copy(file, before_extraction_folder)

ファイルの変換とテキスト保存

def convert_save():
    # 読込フォルダーの指定
    files = glob.glob(before_extraction_folder + "\*")
    for file in files:
        img_base64 = img_to_base64(file)
        result = request_cloud_vison_api(img_base64)
        result_text = result["responses"][0]["fullTextAnnotation"]["text"]
        print("----FILE----")
        print(os.path.basename(file))
        print("----TEXT----")
        print(result_text)
    
        #　OCR文字データをテキストファイルに保存
        file_name = os.path.splitext(os.path.basename(file))[0] # 拡張子なしのファイル名
        path = os.path.join(after_text_extraction_folder, file_name + ".txt")
        with open(path, "w") as f:
            f.write(result_text)

コードの実行

さいごに実行用のコードを記述します。

format_conversion(before_extraction_files)
copy_files(before_extraction_files)
convert_save()

まとめ

クラウドサービスのひとつである「Google Cloud」のAPIをつかったPythonの実例をご紹介いたしましたが、いかがでしたでしょうか。

もちろん今回お伝えした内容以外にも「Cloud Vision」には多くの活用方法がありますので、もし役に立ちそうなものがあれば色々と試していただくのも良いかと思います。

わたし自身まだまだ勉強中の分野とのこともあり、長々とご説明をいたしましたが、さいごまでご覧いただきありがとうございます。

こちらの記事が少しでもお役に立てれば大変うれしく思います。