スキャンした紙の書類を文字で検索できるPDFにするオープンソース「OCRmyPDF」（MPL-2.0）と tesseract を、自作の日本語見本6種（請求書・納品書・手書き混じりFAX・縦書きの挨拶状・契約書・A3見積）で、docker 版と pip 版の96条件で実測しました。横書きの印字は正答率89〜94%、縦書きは86.9%。ところがよく勧められる psm 6 では表のある帳票の表が丸ごと消え（A3見積 89.4%→23.8%）、--clean では薄い字が消え、影があると --deskew が逆効果になり、tesseract 4.1 では縦書きの文字の順が逆になりました。こうした「エラーが出ずに読めていない」所を表にし、横書き・縦書き・FAX で入口を分けるフォルダ監視、1万枚を約2時間で回す一括処理、paperless-ngx 連携と一緒に導入キットにしました。
この記事は要約版です。続きは元記事でどうぞ:
紙の書類を検索できるPDFに。OCRmyPDF を日本語の請求書・契約書・FAX・縦書きで96条件実測したら、よく勧められる設定で表が消えた——導入キットにした記録
