# -*- coding: utf-8 -*- """ テンプレート(赤枠=氏名, 青枠=日付)を基準に、"スキャン"フォルダ内のPDFから 氏名・日付をOCR抽出し、"アウトプット/氏名/氏名_YYYYMMDD.pdf" にコピー、 元ファイルは"成功"（または"失敗"）フォルダへ移動する。 起動は OCR仕分け実行.bat から行う想定（config.txt の固定フォルダ構成に依存）。 必要ライブラリ: opencv-python, pdf2image, pytesseract, pillow, numpy 必要な外部ツール: tesseract-ocr, tesseract-ocr-jpn, poppler-utils(pdftoppm) """ import importlib import re import time import traceback from dataclasses import dataclass from pathlib import Path import pytesseract from pdf2image import convert_from_path from PIL import Image from box_detector import detect_template_fields, to_ratio_box from config_loader import load_config from file_ops import copy_with_unique_name, move_with_unique_name, wait_until_stable from lock_manager import LockAcquisitionError, acquire_lock, release_lock from logger import append_log DPI = 300 # PDF→画像変換の解像度。テンプレートも同じDPIで作成/スキャンしてください TEMPLATE_EXTENSIONS = {".png", ".jpg", ".jpeg", ".bmp"} def select_template_file(template_dir: Path) -> Path: candidates = sorted( p for p in template_dir.iterdir() if p.is_file() and p.suffix.lower() in TEMPLATE_EXTENSIONS ) if not candidates: raise FileNotFoundError( f"テンプレートフォルダに画像ファイルが見つかりません: {template_dir}" ) return candidates[0] REQUIRED_MODULES = ("cv2", "numpy", "PIL", "pytesseract", "pdf2image") def check_dependencies(modules: tuple[str, ...] = REQUIRED_MODULES) -> list[str]: missing = [] for mod in modules: try: importlib.import_module(mod) except ImportError: missing.append(mod) return missing def check_external_tools(tesseract_exe: Path, poppler_exe: Path) -> list[str]: missing = [] if not tesseract_exe.exists(): missing.append(str(tesseract_exe)) if not poppler_exe.exists(): missing.append(str(poppler_exe)) return missing def key_pressed() -> bool: import msvcrt return msvcrt.kbhit() @dataclass class FieldBox: label: str x_ratio: float y_ratio: float w_ratio: float h_ratio: float def to_pixel_box(self, img_w: int, img_h: int, margin: float) -> tuple[int, int, int, int]: """比率座標を対象画像の実ピクセルに変換し、上下左右にmargin(比率)だけ広げる""" x = self.x_ratio * img_w y = self.y_ratio * img_h w = self.w_ratio * img_w h = self.h_ratio * img_h mx = w * margin my = h * margin x0 = max(0, int(x - mx)) y0 = max(0, int(y - my)) x1 = min(img_w, int(x + w + mx)) y1 = min(img_h, int(y + h + my)) return x0, y0, x1, y1 def load_field_boxes(template_path: str) -> list[FieldBox]: fields = detect_template_fields(template_path) image_size = fields.pop("_image_size") boxes = [] for label, box in fields.items(): xr, yr, wr, hr = to_ratio_box(box, image_size) boxes.append(FieldBox(label, xr, yr, wr, hr)) if not boxes: raise ValueError("テンプレートから赤枠・青枠が検出できませんでした。枠の色・太さを確認してください。") return boxes def ocr_region(page_img: Image.Image, box: tuple[int, int, int, int], lang: str = "jpn") -> str: x0, y0, x1, y1 = box cropped = page_img.crop((x0, y0, x1, y1)) text = pytesseract.image_to_string(cropped, lang=lang) return text.strip() def clean_name(raw: str) -> str: """OCR結果から氏名らしき文字列を抽出（改行・空白・記号ノイズを除去）""" text = re.sub(r"[\s　]+", "", raw) text = re.sub(r"[^\w一-龠ぁ-んァ-ヶー]", "", text) return text def clean_date(raw: str) -> str | None: """OCR結果から日付を検出し YYYYMMDD 形式で返す。見つからなければNone。""" text = raw.replace(" ", "").replace("　", "") patterns = [ r"(\d{4})[年/\-\.](\d{1,2})[月/\-\.](\d{1,2})", # 2026年08月02日 / 2026/08/02 等 r"(\d{2})[年/\-\.](\d{1,2})[月/\-\.](\d{1,2})", # 26/08/02 のような2桁年 ] for pat in patterns: m = re.search(pat, text) if m: y, mo, d = m.groups() if len(y) == 2: y = "20" + y # 2桁年は20XX年と仮定。運用に応じて要調整 return f"{int(y):04d}{int(mo):02d}{int(d):02d}" return None def process_pdf(pdf_path: Path, boxes: list[FieldBox], margin: float) -> tuple[str | None, str | None]: """PDFの1ページ目を画像化し、氏名・日付を抽出して返す""" pages = convert_from_path(str(pdf_path), dpi=DPI, first_page=1, last_page=1) if not pages: return None, None page_img = pages[0] img_w, img_h = page_img.size name_text, date_text = None, None for box in boxes: pixel_box = box.to_pixel_box(img_w, img_h, margin) raw = ocr_region(page_img, pixel_box, lang="jpn") if box.label == "name": name_text = clean_name(raw) elif box.label == "date": date_text = clean_date(raw) return name_text, date_text def run_queue( scan_dir: Path, output_dir: Path, success_dir: Path, failed_dir: Path, log_dir: Path, boxes: list[FieldBox], margin: float, stable_wait_sec: float, stable_retries: int, process_pdf_func=process_pdf, key_check=key_pressed, sleep_func=time.sleep, ) -> None: while True: queue = sorted(scan_dir.glob("*.pdf")) if not queue: break pdf_path = queue[0] if key_check(): append_log( log_dir, "エラー", pdf_path.name, None, None, "ユーザー操作により停止しました", ) break if not pdf_path.exists(): continue if not wait_until_stable(pdf_path, stable_wait_sec, stable_retries, sleep_func): append_log( log_dir, "スキップ", pdf_path.name, None, None, "サイズ不安定のためスキップ", ) continue try: name, date = process_pdf_func(pdf_path, boxes, margin) except Exception as e: append_log( log_dir, "エラー", pdf_path.name, None, None, f"{type(e).__name__}: {e}\n{traceback.format_exc()}", ) move_with_unique_name(pdf_path, failed_dir, pdf_path.stem, pdf_path.suffix) continue if not name or not date: append_log(log_dir, "失敗", pdf_path.name, name, date, "") move_with_unique_name(pdf_path, failed_dir, pdf_path.stem, pdf_path.suffix) continue copy_with_unique_name(pdf_path, output_dir / name, f"{name}_{date}", ".pdf") move_with_unique_name(pdf_path, success_dir, pdf_path.stem, pdf_path.suffix) append_log(log_dir, "成功", pdf_path.name, name, date, "") HOME_DIR = Path(__file__).resolve().parent.parent RUNTIME_FOLDER_KEYS = ( "テンプレートフォルダ", "スキャンフォルダ", "アウトプットフォルダ", "成功フォルダ", "失敗フォルダ", "ログフォルダ", ) def main() -> None: config_path = HOME_DIR / "config.txt" try: config = load_config(config_path) except Exception as e: print(f"設定エラー: {e}") input("何かキーを押すと終了します...") return folders = {key: HOME_DIR / config[key] for key in RUNTIME_FOLDER_KEYS} for folder in folders.values(): folder.mkdir(parents=True, exist_ok=True) missing_modules = check_dependencies() if missing_modules: print(f"配布パッケージが壊れています。不足モジュール: {', '.join(missing_modules)}") input("何かキーを押すと終了します...") return script_dir = HOME_DIR / config["スクリプトフォルダ"] tesseract_exe = script_dir / "tools" / "tesseract" / "tesseract.exe" poppler_exe = script_dir / "tools" / "poppler" / "pdftoppm.exe" missing_tools = check_external_tools(tesseract_exe, poppler_exe) if missing_tools: print(f"配布パッケージが壊れています。不足ファイル: {', '.join(missing_tools)}") input("何かキーを押すと終了します...") return lock_path = HOME_DIR / ".lock" try: acquire_lock(lock_path) except LockAcquisitionError as e: print(str(e)) input("何かキーを押すと終了します...") return try: try: template_path = select_template_file(folders["テンプレートフォルダ"]) except FileNotFoundError as e: print(str(e)) return print(f"テンプレート採用: {template_path.name}") boxes = load_field_boxes(str(template_path)) print(f"検出フィールド: {[b.label for b in boxes]}") margin = float(config["margin"]) stable_wait_sec = float(config["ファイル安定待ち秒"]) stable_retries = int(config["ファイル安定待ちリトライ回数"]) run_queue( folders["スキャンフォルダ"], folders["アウトプットフォルダ"], folders["成功フォルダ"], folders["失敗フォルダ"], folders["ログフォルダ"], boxes, margin, stable_wait_sec, stable_retries, ) finally: release_lock(lock_path) print("処理完了。") input("何かキーを押すと終了します...") if __name__ == "__main__": main()