文章・資料 / Tesseract OCR
画像に写った文字を、コピーできる文章にする
スキャン画像からテキストを取り出します。表の構造や手書きまで正確に再現するものではありません。
紙で残った印刷資料を検索・転記したい人に。原本との照合を前提に使います。
準備と1ページの試行の目安:20〜40分。資料の状態に応じて修正時間が必要です。
使う前に確認すること
- 無料の範囲
- 公開OCRエンジンを手元で利用できます。
- ライセンス
- Apache-2.0。本体以外の依存パッケージには別条件があります。
- 商用利用
- Apache-2.0の条件下で利用できます。扱う文書の利用権限は別に確認します。
- 対応環境
- Windows・macOS・Linuxの導入案内があります。Windowsは公式ドキュメントが紹介する外部ビルドを使う選択肢があります。標準はコマンド操作です。
手で入れて試す手順
- 公式ドキュメントからOSに合う導入方法を開き、本体と日本語の学習データを入れます。
- 下のコマンドを実行し、jpnが一覧にあるか見ます。なければデータの配置を公式案内と照らします。
tesseract --list-langs - 文字が水平で鮮明なPNG画像を sample.png として用意します。PDFそのものをTesseractの画像入力へ渡す方法ではありません。
- 下のコマンドを実行すると、テキストの出力先は result.txt になります。英数字が混ざるときは導入済みのengと合わせて -l jpn+eng を試す選択肢もあります。
tesseract sample.png result -l jpn - 出力と原本を並べ、数字・記号・段落の順序を照合します。誤りが多ければ傾きや解像度を直して1ページからやり直します。
Claude Code に貼る指示文
公式URL:https://github.com/tesseract-ocr/tesseract Tesseract OCRで、許可のある日本語の印刷資料を文字にしたいです。OS、導入済みTesseract、利用できる言語を読み取りだけで確認してください。公式の導入案内、jpn学習データの配布元、ライセンス、追加するものを示して承認を待ってください。承認後、個人情報を含まないサンプル画像のコピー1枚で試し、出力を別フォルダへ保存してください。画像を外部へ送らず、原本を書き換えないでください。数字・固有名詞・段組みの要確認箇所を説明し、PDFが入力なら直接扱えると決めつけず適切な方法を提案してください。
仕事で使う例
架空の業務・データを使った例です。
架空の「港まち文具」の石井さんの例:社内の古い備品一覧をスキャンし、品名を検索できるテキストへ移します。品番の「0」と「O」は人が照合し、数量は原本に戻って確認。読み取り結果をそのまま発注データには使いません。
ほかの候補
- OCRmyPDF
スキャンPDFの見た目を保ち、検索用の文字層を加えたい場合。画像1枚からテキストを得る用途とは選び分けます。
出典
料金やライセンス、導入方法は変更される場合があります。利用前に各公式ページをご確認ください。