1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
|
import json
import sys
import cv2
import os
from yomitoku import OCR
from yomitoku.data.functions import load_pdf
from reportlab.pdfgen import canvas
from PIL import Image
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
# 日本語対応フォント（IPAexMincho）の登録（ipaexm.ttfが必要）
pdfmetrics.registerFont(TTFont('IPAexMincho', 'ipaexm.ttf'))
def json_to_hocr(json_data, page_num):
hocr = [
'<!DOCTYPE html>', '<html>', '<head>', '<meta charset="UTF-8">',
f'<title>hOCR output - Page {page_num}</title>', '</head>', '<body>',
f'<div class="ocr_page" id="page_{page_num}">'
]
for i, word in enumerate(json_data['words']):
content = word['content']
points = word['points']
bbox = f"bbox {points[0][0]} {points[0][1]} {points[2][0]} {points[2][1]}"
hocr.append(
f'<span class="ocrx_word" id="word_{i+1}" title="{bbox}; x_wconf {int(word["rec_score"] * 100)}">{content}</span>'
)
hocr.append('</div>')
hocr.append('</body>')
hocr.append('</html>')
return '\n'.join(hocr)
def draw_invisible_text(c, text, x, y, font_size):
"""
PDF上に検索可能なテキストを描画します。
ここでは、テキストを完全に透明（または背景色と同じ色）に設定することで、見た目には表示されないがPDF内に文字情報として残ります。
"""
c.saveState()
c.setFont("IPAexMincho", font_size)
try:
# 透明度を0に設定（ReportLabのバージョンによっては未対応の場合があります）
c.setFillAlpha(0)
except AttributeError:
# 透明度がサポートされない場合、背景が白前提で白色に設定
c.setFillColorRGB(1, 1, 1)
c.drawString(x, y, text)
c.restoreState()
def pdf_to_searchable(pdf_path, output_pdf):
ocr = OCR(visualize=False, device="cpu")
imgs = load_pdf(pdf_path)
# OCR結果や画像を一時ファイルとして保存
temp_img_files = []
json_files = []
hocr_files = []
for i, img in enumerate(imgs):
results, _ = ocr(img)
json_path = f"output_{i}.json"
results.to_json(json_path)
json_files.append(json_path)
# 画像を一時保存
img_path = f"output_page_{i}.jpg"
cv2.imwrite(img_path, img)
temp_img_files.append(img_path)
# 任意でhOCRも出力（ログ用）
with open(json_path, "r", encoding="utf-8") as f:
json_data = json.load(f)
hocr_output = json_to_hocr(json_data, i + 1)
hocr_path = f"output_{i}.hocr"
with open(hocr_path, "w", encoding="utf-8") as f:
f.write(hocr_output)
hocr_files.append(hocr_path)
# ReportLabで新たなPDFを生成
c = canvas.Canvas(output_pdf)
for i, img_path in enumerate(temp_img_files):
pil_img = Image.open(img_path)
width, height = pil_img.size
c.setPageSize((width, height))
# ページ背景に画像を描画
c.drawImage(img_path, 0, 0, width=width, height=height)
# 対応するOCR結果のJSONを読み込み、非表示テキストレイヤーを追加
json_path = json_files[i]
with open(json_path, "r", encoding="utf-8") as f:
json_data = json.load(f)
for word in json_data['words']:
content = word['content']
points = word['points']
# OCRの座標は画像の左上原点。ReportLabは左下原点なので変換が必要です。
x1, y1 = points[0]
x2, y2 = points[2]
pdf_x = x1
pdf_y = height - y2 # 下部へ変換
font_size = y2 - y1 if (y2 - y1) > 0 else 10
draw_invisible_text(c, content, pdf_x, pdf_y, font_size)
c.showPage()
c.save()
# 一時ファイルの削除
for file in temp_img_files + json_files + hocr_files:
os.remove(file)
print(f"Searchable PDF created: {output_pdf}")
if __name__ == "__main__":
if len(sys.argv) != 3:
print("Usage: python script.py input.pdf output.pdf")
sys.exit(1)
input_pdf = sys.argv[1]
output_pdf = sys.argv[2]
try:
pdf_to_searchable(input_pdf, output_pdf)
except Exception as e:
print(f"Error: {e}")
|
