こんにちは、
私はPythonプログラマーではないので、経験豊富な方のサポートや指導をお願いしています。その結果、製薬業界やその他の業界の多くの顧客にサービスを提供できる、マーケットプレイス向けの素晴らしいアドインが生まれるかもしれません。
背景：
多くの企業では、オペレーターがあらかじめ定義された構造化された用紙に手書きの数字やコメントを入力し、それをスキャンしてPDFに変換するという手順を採用しています。例を添付します。これらの入力内容を抽出し、分析する必要があります。
問題は、スキャンした書類がPDF形式の画像であるため、PDFインポートウィザードでインポートできないことです。さらに、手書きのコードを正しく識別することはおそらく困難です。多くの製薬会社にとって、現状のソリューションでは、データを手作業で入力する必要があり、時には2時間もかかり、週に2～5回も入力しなければなりません。少なくとも一部の情報をより自動的に抽出できるオプションがあれば、製薬会社にとって大きなメリットとなるでしょう。
調べてみたところ、Pythonを使ってPDFから画像を抽出し、その後、いくつかのパッケージを使って画像からテキストを抽出できることがわかりました。以下に、これを行うための手順を紹介します。
- pytesseract (OCR エンジン) と pdf2image (PDF ページを画像に変換する) をインストールします。
- ワークフロー:
- PDF ページを画像に変換します。
- pytesseract を使用して各画像に対して OCR を実行します。
- 抽出したテキストをファイルに保存するか、さらに処理します。
ここで少し助けやサポートが必要です。目標は、添付のドキュメントを概念実証として使用することです。それがうまくいけば、アドインを作成してマーケットプレイスに公開するかもしれません。
これは多くの企業にとって大きな安心感となり、JMP へのこだわりをさらに強めることになるでしょう。
ボランティアはいますか?
@Paul_Nelson
追伸：（コパイロットより）
以下は、 pdf2画像とピテッセラクトを使用してスキャンした PDF をテキストに変換する完全な Python スクリプトです。
パイソン
pdf2imageからインポートし、パスから変換します
pytesseractをインポートする
# スキャンしたPDFファイルへのパス
pdf_path = 'スキャンした文書.pdf'
# PDFページを画像に変換する
ページ = convert_from_path(pdf_path)
# 抽出したテキストを格納する変数を初期化する
抽出されたテキスト = ""
# 各ページをループしてOCRを適用する
page_numberの場合、enumerate(pages, start=1)内のページ:
テキスト = pytesseract.image_to_string(ページ)
抽出されたテキスト += f"\n--- ページ {page_number} ---\n{text}\n"
# 抽出したテキストをファイルに保存する
open('extracted_text.txt', 'w', encoding='utf-8') を f として実行します:
f.write(抽出されたテキスト)
print("OCR抽出が完了しました。テキストはextracted_text.txtに保存されました")
pytesseract はPDFの文字認識部分しか扱えないと思います。手書き認識には何か別のものが必要でしょう。 このリンクが参考になるでしょうか？
