MacのOCR（３）

MacのOCR（２）・石原純からの続き

石原純の「現代物理の基礎理論」という古いpdfファイルを見かけた。中央公論社が1943年の3月に発行した，國民學術協會編の國民學術選書の一冊である。講演録の「現代物理學の基礎理論」と書き下ろしの「自然科学の方法論について」からなる160ページ（63MB）ほどの本だ。

画像イメージのpdfなので，そのままではテキストが取り出せない。さっそく前回のショートカットによるmacOSのOCR機能を使ったコマンドに2-3ページを投入する。すぐにテキストは抽出出来たものの，解像度の悪い旧字ファイルなので，精度が悪い。

Geminiに相談したところ，

第1推奨：高性能な市販PDFソフト/OCRサービス（Adobe Acrobat Proなど）

第2推奨：Google ドライブのOCR機能（フリー）

第3推奨：macOS標準の「プレビュー」アプリ（低精度・非推奨）

とのことだった。

市販のものはコストがかかるので，GoogleドライブのOCR機能を試すことに。

(1) Googleドライブにpdfファイルをアップロード

(2) Googleドライブ中のpdfファイルを選び右クリック，Googleドキュメントを選んで開く。

(3) これでtextファイルができあがり。

・63MBの元ファイルは扱えなかったので，qpdf --split-pages=15 ishihara.pdf ishihara.pdf で分割した。20ページ分割ではエラーだったので，15ページ分割でOKとなる。

・でき上がったファイルは1文字1ページで1万ページに達したが，普通のテキストエディタにそのままコピペすれば問題なし。

・やはり旧字の誤認識が混じるがさきほどよりはましである。

肝腎の本書の内容はそこまでおもしろくはないかもしれない。

写真：石原純（理科ハウスから引用）