MacのOCR（２）

MacのOCR（１）からの続き

以前（2023年1月），MacのOCRプログラム（tesseract）を試したことなどすっかり忘れていた。全く別の方向からの話題をみかけたので，しばらく熟成させた後に試してみた。

一つは，165行のシェルスクリプト（ocr.sh）である。

「純bash → 一時的にAppleScript（AppleScriptObjC）を起動 → macOSのVision/QuartzフレームワークでOCR」という三層構成。入出力は「画像（jpg/png）またはPDF → 標準出力に認識テキスト。引数で言語（ja/en）とPDFをラスタライズするDPIを切り替え。制御のキモは、PDFはページごとに指定DPIで画像化→白背景で正規化→VisionでOCR、画像も同様に白背景で正規化してからOCR、という“前処理の徹底”と、“Visionへの最小限・最適な設定”にある。

しかしこれでは縦書き日本語がうまくいかないことがあるらしい。そこで示されたのが，macOSのビルトインOCR機能をmacOSの「ショートカット」アプリで呼び出すというものだ。ショートカットは，他のジョブでもこれまで何度もトライしてきたのだが，すべて途中で挫折してしまった。ちゃんと勉強せずに行き当たりばったりでやるとそうなる。

今度もだめかなと半分あきらめつつ，ChatGPTにやり方を繰り返し教えてもらうことで，なんとかうまくいった。Scratchみたいなビジュアルプログラミング言語はどうも苦手だ。年寄りにはよけい難しく感じる。普通のエディタでテキスト入力したいよ。こうしてつくったスクリプトが，Extract_text_from_files（下図参照）だ。

これをコマンドラインから次のように起動する。

shortcuts run "Extract_text_from_files" -i ~/sample.pdf -o ~/sample.txt  

入力ファイルは，pdf，jpg，png である。出力ファイルを省略すると標準出力に流れる。実際に試したところ，縦書きのpdfファイルもjpgファイルもpngファイルもうまくいっている。認識精度はtesseractよりもずっとよかった。

図：はじめてのショートカット