ken_nogi/PythonProj/ScanOCR

PDF氏名・日付抽出＆リネームツール

テンプレート画像（赤枠＝氏名欄、青枠＝日付欄）を基準に、対象フォルダ内のPDFから 氏名・日付をOCRで抽出し、リネーム・振り分けを行うスクリプトです。

セットアップ

pip install opencv-python pdf2image pytesseract pillow numpy

システムに以下が必要です（Ubuntu/Debianの例）:

sudo apt-get install tesseract-ocr tesseract-ocr-jpn poppler-utils

使い方

1. テンプレート画像を用意する

   • 実際の書類（1枚）をスキャン、または元PDFをそのまま画像化
   • 画像編集ソフトなどで、氏名が書かれている位置に赤い四角枠、日付が書かれている位置に青い四角枠を重ねて保存（PNG推奨）
   • 重要: テンプレートは実際の対象PDFと同じ用紙サイズ・向きで作成してください（比率で位置を計算するため、多少の解像度差は自動補正されます）

2. フォルダを準備する

   • input/ … 処理対象のPDFを入れる
   • output/ … 成功時、氏名ごとのサブフォルダに YYYYMMDD_氏名.pdf として保存される
   • failed/ … 抽出に失敗したPDFがそのまま退避される（要目視確認）

3. 実行する

python extract_and_rename.py \
  --template template.png \
  --input ./input \
  --output ./output \
  --failed ./failed \
  --margin 0.10

--margin は枠位置の許容誤差率です。0.10 = 上下左右に枠の幅・高さの10%分だけ 広げた範囲までOCR対象とします（スキャン時の位置ズレ対策）。

注意点

• OCRは完璧ではありません。特に手書きに近い字体、かすれ、低解像度スキャンでは 誤読が発生します。output/ の結果は初回運用時に必ず目視確認してください。
• 日付の年が2桁（例: 26/08/02）の場合、スクリプトは "20XX年" と仮定して補完します。 昭和・平成表記など和暦が使われる書類の場合は clean_date() 関数の調整が必要です。
• 複数ページPDFの場合、現在は1ページ目のみを対象にしています。
• 氏名に同姓同名がいる場合や、同じ氏名で複数回書類が発行される場合、ファイル名の 衝突は自動的に連番（_1, _2...）で回避されます。
• テンプレートで検出される枠は「最大面積の赤/青矩形」を採用しています。枠線以外に 赤・青の要素（ロゴなど）がテンプレート内にあると誤検出する可能性があるため、 テンプレートはできるだけシンプルな見た目にしてください。

ファイル構成

• box_detector.py … テンプレートから赤枠・青枠の位置を検出するモジュール
• extract_and_rename.py … メイン処理（OCR抽出・リネーム・移動）