ocr

OCR 画像テキスト抽出スキル

Tesseract OCR エンジンを使用して画像からテキストを抽出します。

機能

• 画像ファイル（PNG、JPG、JPEG、GIF、BMP、TIFF）からテキストを抽出
• 100 以上の言語に対応
• 精度向上のための画像前処理（任意）
• 信頼度スコア付きでプレーンテキストまたは JSON 形式で出力

使用方法

基本的な OCR

python3 scripts/ocr.py <image_file> <output_file>

オプションを指定する場合

# Specify language (default: eng)
python3 scripts/ocr.py image.png text.txt --lang eng

# Chinese text
python3 scripts/ocr.py image.png text.txt --lang chi_sim

# Multiple languages
python3 scripts/ocr.py image.png text.txt --lang eng+chi_sim

# With image preprocessing (improves accuracy)
python3 scripts/ocr.py image.png text.txt --preprocess

# JSON output with confidence scores
python3 scripts/ocr.py image.png output.json --format json

URL からダウンロードして OCR を実行

# OCR from remote image
python3 scripts/ocr_url.py <image_url> <output_file>

# With options
python3 scripts/ocr_url.py https://example.com/image.jpg text.txt --lang eng --preprocess

パラメーター

• image_file / image_url（必須）：ローカル画像のパスまたは画像 URL
• output_file（必須）：出力するテキスト／JSON ファイルのパス
• --lang：言語コード（例：eng、chi_sim、jpn、fra、deu）。デフォルト：eng
• --preprocess：精度向上のために画像の前処理（グレースケール化、しきい値処理）を適用
• --format：出力形式（text/json、デフォルト：text）

よく使われる言語

言語	コード
英語	eng
中国語（簡体字）	chi_sim
中国語（繁体字）	chi_tra
日本語	jpn
韓国語	kor
フランス語	fra
ドイツ語	deu
スペイン語	spa
ロシア語	rus
アラビア語	ara

対応画像形式

PNG、JPG、JPEG、GIF、BMP、TIFF、WEBP

依存関係

• Python 3.8+
• pytesseract
• Pillow (PIL)
• tesseract-ocr（システムパッケージ）

インストール

# Python packages
pip install pytesseract Pillow

# Tesseract OCR engine
sudo apt-get install tesseract-ocr  # Ubuntu/Debian
sudo yum install tesseract           # CentOS/RHEL
brew install tesseract               # macOS