# -*- coding: utf-8 -*- """ テンプレート(赤枠=氏名, 青枠=日付)を基準に、対象フォルダ内のスキャンPDFから 氏名・日付をOCR抽出し、"output/氏名/YYYYMMDD_氏名.pdf" にリネーム・移動する。 使い方: python extract_and_rename.py \ --template template.png \ --input ./inbox \ --output ./output \ --failed ./failed \ --margin 0.10 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 argparse import re import shutil import sys 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 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 import importlib 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 @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 safe_move(src: Path, dest_dir: Path, filename: str) -> Path: dest_dir.mkdir(parents=True, exist_ok=True) dest_path = dest_dir / filename # 同名ファイルが既にある場合は連番を付けて衝突を回避 counter = 1 while dest_path.exists(): stem = Path(filename).stem suffix = Path(filename).suffix dest_path = dest_dir / f"{stem}_{counter}{suffix}" counter += 1 shutil.move(str(src), str(dest_path)) return dest_path def main(): parser = argparse.ArgumentParser(description="テンプレート枠を基準にPDFから氏名・日付を抽出してリネーム・移動する") parser.add_argument("--template", required=True, help="赤枠(氏名)・青枠(日付)付きテンプレート画像") parser.add_argument("--input", required=True, help="処理対象PDFが入ったフォルダ") parser.add_argument("--output", required=True, help="成功時の出力先ルートフォルダ（氏名ごとにサブフォルダ作成）") parser.add_argument("--failed", required=True, help="抽出失敗時の退避先フォルダ") parser.add_argument("--margin", type=float, default=0.10, help="枠の許容誤差率（デフォルト 0.10 = 10%%）") args = parser.parse_args() template_path = Path(args.template) input_dir = Path(args.input) output_dir = Path(args.output) failed_dir = Path(args.failed) if not template_path.exists(): sys.exit(f"テンプレート画像が見つかりません: {template_path}") if not input_dir.exists(): sys.exit(f"入力フォルダが見つかりません: {input_dir}") boxes = load_field_boxes(str(template_path)) print(f"検出フィールド: {[b.label for b in boxes]}") pdf_files = sorted(input_dir.glob("*.pdf")) if not pdf_files: print("対象PDFが見つかりませんでした。") return results = [] for pdf_path in pdf_files: print(f"処理中: {pdf_path.name}") try: name, date = process_pdf(pdf_path, boxes, args.margin) except Exception as e: print(f" エラー: {e}") safe_move(pdf_path, failed_dir, pdf_path.name) results.append((pdf_path.name, None, None, "error", str(e))) continue if not name or not date: print(f" 抽出不十分（氏名={name!r}, 日付={date!r}）→ failed へ退避") safe_move(pdf_path, failed_dir, pdf_path.name) results.append((pdf_path.name, name, date, "failed", "")) continue new_filename = f"{date}_{name}.pdf" dest_dir = output_dir / name moved_path = safe_move(pdf_path, dest_dir, new_filename) print(f" → {moved_path}") results.append((pdf_path.name, name, date, "success", str(moved_path))) # サマリー出力 print("\n=== 処理結果サマリー ===") for orig, name, date, status, note in results: print(f"{status:8s} | {orig:30s} | 氏名={name} 日付={date} | {note}") success_count = sum(1 for r in results if r[3] == "success") print(f"\n合計 {len(results)} 件中 {success_count} 件成功") if __name__ == "__main__": main()