テクノ大福帳

本記事では、UbuntuやGoogle Colaboratory環境で、オープンソースライブラリのPoppler（poppler-utilsに含まれるpdftoppm、pdftocairo）あるいはPythonライブラリのpdf2imageを利用して、PDFファイルのページをJPEGなどの画像ファイルに変換する方法を見ていきます。 【目次】 ［１］PDFファイルを画像に変換したいとき？ ［２］PDFファイル扱うオープンソースライブラリ （参考）ページの画像化と情報抽出について ［３］コマンドラインからの利用：poppler-utils （１）poppler-utils （２）インストール （３）pdftoppmの利用例 （４）pdftocairoの利用例 ［４］Pythonからの利用：pdf2image （１）pdf2image （２）インストール （３）最も簡単な使い方 （４）メモリを節約する方法（output_folderを利用する方法） （５）メモリを節約する方法（fmtを利用する方法） （６）サムネイルの作成サンプル （７）ページを指定して変換する方法（first_page, last_page） （８）大量ページの変換速度を上げる方法（thread_count） （９）解像度（dpi） （１０）pdftocairo/pdftoppmの画像変換結果を直接利用する（use_pdftocairo） （参考）pdfinfo_from_path関数 ［１］PDFファイルを画像に変換したいとき？ PDF（Portable Document Format）ファイルは広く使われている電子文書です。 PDFファイルは、ブラウザでも表示できますし、無料のAdobe Acrobat Readerをインストールして表示することもできます。 しかし、こういったツールでファイル内容を表示するだけではなく、PDFファイル内のページをJPEGなどの画像ファイルに変換して利用したい場合もあります。 例えば、システム開発において、Webサイトやアプリ内で、PDFファイルの概要をサムネイル表示したいとか、PDFファイルをダウンロードさせたり、ブラウザの別タブでPDFファイルを表示するのではなく、（導線が途切れないように）ページを移動することなく内容を見てもらいたい場合など、いろいろ

 『 Vision API OCR事始め(2)：検出されたテキストの階層構造（fullTextAnnotation） 』に続いて、今回はもう一つのOCRレスポンスデータ表現（textAnnotations）を見ていきます。 【目次】 ［１］textAnnotationsとは ［２］textAnnotationsが得られる条件 ［３］textAnnotationsの構造 ［４］具体的な例 （１）設定されるフィールドの確認 （２）localeの確認 （３）画像テキスト全体の領域 （４）画像全体のテキスト ［５］fullTextAnnotationとの対応関係の確認 ［６］textAnnotationsの内容のまとめ （１）AnnotateImageResponse.text_annotationsフィールド （２）先頭要素のEntityAnnotation型オブジェクト （３）後続要素のEntityAnnotation型オブジェクト （参考）EntityAnnotation.midフィールド ［７］fullTextAnnotationとの使い分け ［１］textAnnotationsとは Google Vision APIの機能リスト（ https://cloud.google.com/vision/docs/features-list?hl=ja ）によると、OCR（テキスト検出とドキュメントテキスト検出）機能のレスポンスには、２種類のデータ構造（表現）があるようです。 fullTextAnnotation OCR で検出されたテキスト（fullTextAnnotation）の構造的階層 （TextAnnotation -> Page -> Block -> Paragraph -> Word -> Symbol） textAnnotations テキストであると識別された単語、境界ボックス、textAnnotations のリスト fullTextAnnotationについては、記事『 Vision API OCR事始め(2)：検出されたテキストの階層構造（fullTextAnnotation） 』を参照してください。 本記事では、もう一つのtextAnnotationsについて見ていきます。 ところで、公式ドキュメントの表現

 『 Vision API OCR事始め(1)：TEXT_DETECTIONとDOCUMENT_TEXT_DETECTIONの違い 』に続いて、今回は、Google Vision API OCRのレスポンスデータに含まれるテキストの階層構造（fullTextAnnotation）を中心に見ていきます。 【目次】 ［１］はじめに ［２］テキストの階層構造（fullTextAnnotation） （１）概要 （２）PageとTextAnnotation.pagesフィールド （３）BlockType （４）トラバースサンプル ［３］TextProperty （１）DetectedLanguage （２）DetectedBreak ［４］TextAnnotation.text ［５］テキスト要素のconfidenceフィールド （１）TEXT_DETECTIONの場合 （２）DOCUMENT_TEXT_DETECTIONの場合 ［６］テキスト要素のbounding_boxフィールド （１）JPEGなどの画像（BatchAnnotateImages、AsyncBatchAnnotateImagesメソッド）の場合 （２）PDFファイル（BatchAnnotateFiles、AsyncBatchAnnotateFilesメソッド）の場合 ［７］最後に ［１］はじめに 記事『 Vision API OCR事始め(1)：TEXT_DETECTIONとDOCUMENT_TEXT_DETECTIONの違い 』では、Google Vision APIのOCR機能であるTEXT_DETECTIONとDOCUMENT_TEXT_DETECTIONによって抽出されるテキストの大雑把な傾向について見ました。今回から、OCRによって抽出されるテキスト情報の詳細なデータ構造について見ていきます。 Google Vision APIの機能リスト（ https://cloud.google.com/vision/docs/features-list?hl=ja ）には、テキスト検出（TEXT_DETECTION）とドキュメント テキスト検出（高密度テキスト / 手書き）（DOCUMENT_TEXT_DETECTION）のレスポンスデータとして、 OCR で検出されたテキスト（fullTextA