レイアウト情報を付加したPDFに変更してもらうというのは不可なんですよね。
お世話になります。
現在、件名の依頼をクライアントより受けており、良い方法を模索中です。
Webアプリケーションとして開発するもよし、なにか現存のツールでPDF内の文字列の一括変換、座標を指定して変換などができるのであればそれでもよし、という具合です。
自分で思いついた方法としてPHPでPDFの中身を読み取り、出力する方法を取りました。
以下が詳細です。
OCR APIを用いてPDF情報を読みとる
↓
新たにPDFを作成
↓
読み取った情報を入れていく
↓
PDF出力
環境
PHP5.5
GoogleCloudVision API
Mpdf
実行していく中で、以下のような問題が発生しました。
1.OCRでテキストを読み取った際、レイアウト情報が付随していないため、パースができない
（テキストの羅列で出力されてしまうため、どの位置にどのテキストがあったのかわからず、変換後のPDFにデータを入れていくことができない）
2.OCRにかける際、請求書のテーブルごとではなく、一行ずつ取得してしまうため、可能であればテーブルのセルごとに取得したい
→ 1.が叶えば不要の可能性もありますが。
フロー後半の、PDFを作成し出力する、という部分は完成しているため、
あとはもとのPDFからレイアウト情報を保持したままプログラム内で扱えるデータとして取得できれば先に進めると思っています。
稚拙な文章で大変恐縮ですが、皆様のお知恵をお借りできればと思っております。
よろしくお願いいたします。
ご回答いただきありがとうございます。
>1.OCRでテキストを読み取った際、レイアウト情報が付随していないため、パースができない
→ こちらに対してご回答をいただいている認識でよろしいでしょうか。
こちらは、もとのPDFにはテーブルがいくつか使われているため、そのレイアウトを崩さずにOCRで読み取りたいが、OCR側でレイアウトを保持できず、バラバラに文字が取得されてしまう。という内容でございました。文章が足りておらず申し訳ございません。
そのため、PDF側としてはレイアウトはされているため、読み取る側のシステムの問題ととらえております。
#それとも、PDF内に付随情報としてレイアウト情報などをつけることができるのでしょうか。知識不足で申し訳ございません。
>pdftohtmlやpdftotextなどのコマンドを試してみたところ、PDFから文字は抽出できますが、レイアウト情報が取れず、またPDFにフォントが埋め込まれていない文字が文字化けしてしまうため
上記部分に、PDF自体が対応することは出来ないか？という意図です。
ご回答いただきありがとうございます。
意図を組み違えてしまい申し訳ございません。ご指摘いただきありがとうございます。
>pdftohtmlやpdftotextなどのコマンドを試してみたところ、PDFから文字は抽出できますが、レイアウト情報が取れず
→ こちらに対してのPDFにレイアウト情報を追加できないか、というご指摘ですが、PDFをシステムで吐き出しているワークフローのようで、不可と思われます。ご教示いただきありがとうございます。
まだ回答がついていません
会員登録して回答してみよう
