本文へ
Local OCR

Local OCR の使い方

③ いろいろな使い方

フォルダ・IIIF マニフェスト・貼り付けから読む方法、読む道具のくらべ方、スクリプトからの使い方。動画は約 5 分です。

フォルダをまとめて読む

ページごとの画像を 1 つのフォルダにまとめてあれば、最初の画面の「フォルダ」で開けます。 フォルダの中の画像が、ページの束として開きます(中のフォルダまでは見ません)。 下の矢印でページを移れます。「すべて読む」で全部のページを順に読み、「中止」で止められます。

フォルダを開いたところ

束を開いているときは、保存の一覧に「すべてのページ」が加わります。TEI/XML なら、全ページが 1 つのファイルになります。

束の保存の一覧

IIIF マニフェストから開く

デジタルアーカイブの画像は、IIIF マニフェストの URL から直接開けます。 URL をコピーしてから「IIIF マニフェスト」を押すと、コピーした URL がはじめから入っています。「開く」を押します。 画像は、見るページの分だけその都度取り寄せます。読むのは、このパソコンの中だけです。

IIIF マニフェストから開く

コピーした画像を貼り付ける

ほかのソフトでコピーした画像は、「貼り付け」(または ⌘V、Windows は Ctrl+V)でそのまま読めます。 画面の一部を切り取ってコピーすれば、その部分だけを読めます。

ほかの読む道具を取得する

右上の歯車で「設定」を開くと、読む道具の一覧が出ます。使うものだけ「取得」すれば足ります。使わなくなったら「削除」で消せます。

読む道具 読める言語 向いている資料 取得
Apple Vision(Mac のみ) 日本語・英語・中国語 現代の活字・手書き 不要
NDL古典籍OCR Lite 日本語(漢文を含む) 古典籍・くずし字 83MB
NDLOCR Lite 日本語 近代資料の活字・手書き 157MB
PP-OCRv6 medium 中国語・英語・日本語。ラテン文字の言語 活字。速い 139MB
PaddleOCR-VL 中国語・日本語・英語ほか多数 漢籍・多言語、縦書き 1.8GB
Yigdzin-1 チベット語 チベット語の資料 1.7GB

設定の読む道具

設定では、画面の明るさ(システムに合わせる・明るい・暗い)と、画面の言葉(日本語・English)も選べます。

くらべる

どの道具が合うか迷ったら、上の「くらべる」を押します。チェックを入れた道具で同じ画像を読み、結果を並べて見られます。 行の数・文字の数・かかった時間もくらべられます。「これを使う」を押すと、その列に「使用中」と出て、コピーと保存にはその結果が使われます。行の位置を返す道具なら、画像の上に行の枠も出ます。位置を返さない読み方のときは「使用中(位置なし)」と出て、枠は出ません。

2 つ以上の道具で読むと、道具どうしで読みに異同のある文字に色(黄色い背景と下線)が付きます。「使用中」の列では「ほかの道具のどれかと違う文字」、ほかの列では「使用中の結果と違う文字」です。色が付いていない所は、どの道具も同じに読んでいます。確かめるのは色の付いた所だけで済みます。ほかの列には「一致 96%」のように、どれだけ同じに読めたかも出ます。色が邪魔なときは、上の「異同に色を付ける」を切ります。

くらべる

スクリプトから使う

画像が何百枚もあるときは、画面で 1 枚ずつ読むより、スクリプトに任せるほうが楽です。 Local OCR を開いたまま、「設定」の「ほかの道具から使えるようにする」をオンにすると、同じパソコンの中のスクリプトから読む道具を呼べます。 Python の仮想環境やモデルの準備は要りません。アプリが取得した道具を、そのまま使います。

次の例は、フォルダの中の画像を 1 枚ずつ読み、同じ名前の .txt に書き出します。 Python に最初から入っている部品だけで動きます。

# read_folder.py — 使い方: python3 read_folder.py 画像のフォルダ [読む道具]
import base64, json, sys, urllib.request
from pathlib import Path

URL = "http://127.0.0.1:8080/v1/ocr"
folder = Path(sys.argv[1])
engine = sys.argv[2] if len(sys.argv) > 2 else "paddle-vl"

for image in sorted(folder.iterdir()):
    if image.suffix.lower() not in (".jpg", ".jpeg", ".png", ".tif", ".tiff"):
        continue
    body = json.dumps({
        "engine": engine,
        "image": base64.b64encode(image.read_bytes()).decode(),
    }).encode()
    req = urllib.request.Request(URL, data=body, headers={"Content-Type": "application/json"})
    with urllib.request.urlopen(req, timeout=600) as res:
        result = json.load(res)
    image.with_suffix(".txt").write_text(result["text"], encoding="utf-8")
    print(image.name, len(result["lines"]), "行")

読む道具の名前は次のとおりです(取得済みのものだけ使えます)。

名前 読む道具
paddle-vl PaddleOCR-VL
ndl-koten-lite NDL古典籍OCR Lite
ndl-lite NDLOCR Lite
ppocrv6-medium PP-OCRv6 medium
yigdzin Yigdzin-1
apple-vision Apple Vision(Mac のみ)

返ってくる結果には、本文(text)のほかに、行ごとの文字と位置(lines)が入っています。 画像の一部だけを読むときは "region": {"x": 0, "y": 0, "w": 800, "h": 600} を、PaddleOCR-VL で行の位置も取るときは "mode": "lines" を足します。 いま使える道具と読み方の一覧は、ブラウザで http://127.0.0.1:8080/v1/engines を開くと見られます。

アプリを開かずに、コマンドとして使う方法もあります(ソースから入れる必要があります)。手順は GitHub の説明にあります。