本記事は以下の動画で必要なTesseract・poppler・7zipのダウンロード方法について解説します。
動画の内容はPythonとTesseract OCRを使って、PDF（スキャンデータ）から会社名を抽出し、その値を利用して会社ごとのPDFファイルを作成するという内容になっています。
OCR（光学的文字認識）とは下の画像のように、手書きや印刷された文字をイメージスキャナやデジタルカメラによって読みとり、コンピュータが利用できるデジタルの文字コードに変換する技術です。
PythonはTesseractというOCRエンジンを使うことができるため、これを用いて資料の文字データを抽出します。（Tesseractは無料で使用することができます。）
Tesseractのインストール
まず始めにTesseractをダウンロードします。
https://github.com/UB-Mannheim/tesseract/wiki
お使いのパソコンによって32bitまたは64bit版をダウンロードしてください。
言語を選択して次に進みます。
次へ。
ライセンスを確認して次へ。
今回は自分しか使わないので、Install just for meを選択します。
Additional script dataを展開します。
２つにチェックを入れます。
次に、Additional language dataを展開します。
２つにチェックを入れて次に進みます。
インストールする場所を選択します。
そのままインストールを選択します。
インストールが開始されます。
終了したら次に進みます。
これでTesseractのインストールが完了です。
popplerのインストール
TesseractはPDFを文字認識することができないため、PDFファイルを一度画像ファイルに変換します。（最後にPDFファイルに戻す。）
画像の変換にはpdf2imageを使用しますが、popplerというコマンドラインツールをインストールする必要があります。
現在、popplerがダウンロードできたサイトが閉鎖されています。（代替案の執筆は少々お待ちください。）
任意のpopplerダウンロードします。
zip形式で圧縮されているため、解凍してください。
7zipというソフトを使って解凍することができます。
https://sevenzip.osdn.jp/download.html
ダウンロードが完了すると、ファイルを右クリックで7z形式の解凍ができるようになっています。
解凍すると４つのファイルがあります。
ディレクトリ（フォルダ）構造が下記になるように移動します。
これでpopplerのインストールが完了です。
おわりに
Pythonを使った社内DXの一例を紹介しました。
他にできることはこちらの動画にまとめていますので、興味のある方は是非ご確認ください。
コメント