今回はOCR（PDFや画像データの文字認識）用ライブラリを紹介します。OCR用のサンプルデータは下記の通りです。 シンプルな読み込みはtabula.read_pdf(filepath, pages='all')とします。またfilepathにurlを指定すればweb経由で取得も可能です。 下記の通り戻り値はリスト ...

スキャナーでPDF化した書類から文字を取り出そうという試みを、時々端折りながら、最初から最後までその経緯をダラダラと書いた記事でございます。 溜め込んだ書類をドキュメントスキャナーでPDF化した。 さて、ファイル名をどうしようか。 書類の内容 ...

See the release notes for details on the latest changes. OCRmyPDF uses Tesseract for OCR, and relies on its language packs. For Linux users, you can often find packages that provide language packs: ...

AIを用いて写真からテキストデータを抽出できる軽量ツール「NDLOCR-Lite」が2月24日、国会図書館の実験的なサービスを提供する「NDLラボ」の公式「GitHub」サイトで公開された。ライセンスは「CC BY 4.0」で、ソースコードも公開済み。適切なクレジット表示さえあれば商用を含め自由に利用できる。

Medical record packages often contain dozens of individual documents (office visits, lab results, imaging reports, legal forms) within a single PDF. The indexing step is crucial for two reasons: ...

キヤノンITソリューションズは2021年9月17日、クラウド型AI-OCRサービスの新版「CaptureBrain Ver.2.1」を発表した。同年10月中旬から提供する。新版では、OCRで読み取ったデータをサイボウズのPaaS「kintone」に連携できるようにしたほか、OCRの処理対象となる画像 ...

Irwin&co株式会社（本社：東京都渋谷区円山町5丁目5号、代表取締役：アーウィン海）は、「AI OCRを導入したが精度に満足できない」「これからデータ入力の自動化を検討している」という企業様に向け、生成AIを活用した「PDF構造化技術」により、高精度にPDF ...

ペーパーレス化やDX（デジタルトランスフォーメーション）が進む現代において、紙書類を効率よくデータ化する技術とし ...