会社のWindows 11パソコンでPDFの文字を読み取りたいのに、ソフトを自由にインストールできない。そんな環境で、Microsoft Edgeから開くHTMLファイルを使い、定型の「変更処理票」を読み取るオフラインOCRツールを作りました。
この記事では、ブラウザ方式を選んだ理由、実際に作った機能、開発中に改善した点、運用前に注意したことを紹介します。誰のPCでも同じように動くという意味ではなく、私が試した環境での実例です。
変更処理票の印字文字を読み取り、必要な情報を抽出・登録するオフラインOCRツールの操作再現デモです。手書き文字の読み取りには対応していません。
※動画は説明用の再現映像であり、実際の業務データは使用していません。
会社のPCでOCRを使いたかったが、ソフトをインストールできなかった
対象は、一定のレイアウトで作成された変更処理票のPDFです。必要だったのは、変更情報No.や品目コードなどの項目を読み取り、あとから検索・確認できるようにすることでした。
ところが業務用PCでは、管理者権限を使ったソフトの追加やセキュリティ設定の変更ができません。そこで、既存のMicrosoft EdgeでHTMLを開く方式を検討しました。処理対象のPDFを外部サービスにアップロードしないことも重要な条件でした。
なぜMicrosoft Edgeのブラウザ方式を選んだのか
HTMLとJavaScriptでローカル処理を構成
ブラウザで開くHTML画面に、PDFの読み込み、OCR、抽出結果の確認、データ管理の機能をまとめました。PDFの表示・解析にはPDF.js、画像の文字認識にはTesseract.jsを利用しています。必要なライブラリやOCRデータもローカルに同梱する構成なので、通常の処理で外部サーバーへPDFを送る必要はありません。
file://環境ならではの制約にも対応
ローカルHTMLを開くだけで、あらゆるJavaScript処理がそのまま動くわけではありません。今回の実装では、OCR用Workerの読み込み方法を調整し、Edgeのローカルファイル環境で動かせるようにしました。ブラウザのポリシーや企業の管理設定によって結果は変わるため、導入前に実機確認が必要です。
作成した変更処理票OCRツールでできること
- 複数のPDFを選択して一括OCRする
- 対象帳票かどうかを判定し、変更情報No.、品目コード、品目名称、発行社名、日付など11項目を抽出する
- 抽出した情報を確認・修正してブラウザ内に登録する
- 登録情報の詳細表示、検索、発行社名や発行日での絞り込みを行う
- 登録データや処理結果をCSVで出力する
- 一括処理をPDF単位で中断・再開し、登録保留ページを再OCRする
- JSON形式で登録データと更新履歴をバックアップ・復元する
なお、PDFそのものをデータベースに保存する仕組みではありません。元のPDFは別途、社内の決められた場所で管理する必要があります。
開発中に改善した点
発行社名に別の項目が混ざる問題
実際の読み取りでは、発行社名の抽出結果に、近くにある別の欄の文字が混ざることがありました。そこで帳票内の位置を考慮した読み取りと、抽出文字列の整理処理を追加しました。定型帳票は、単純な全文OCRだけでなく「どの欄の文字か」を意識することが重要だと分かりました。
同じ変更情報No.の重複を確認する
同じ変更情報No.のデータが見つかったとき、無条件に上書きしないようにしました。既存データと新しい読み取り結果を比較し、異なる項目を確認してから必要な部分だけ反映できるようにしています。
読み取りが不十分なページを保留する
OCRで必要な情報を十分に抽出できなかったページは、登録保留として扱います。元のPDFを再選択して保留ページだけ再OCRする機能も用意しました。ただし、再OCRで必ず正しく読めるわけではありません。原本との照合と手修正は引き続き必要です。
途中停止しても残りのPDFから再開できる
複数PDFを処理する途中で停止した場合に備え、処理済みPDFの情報を記録する仕組みを追加しました。再開時には前回と同じPDFを同じ順序で選択します。実際の処理失敗を意図的に再現できなかったため、失敗PDFの再試行まで十分に検証できたとは断定しません。
運用前に重視したデータ保護
登録情報はブラウザのローカル保存領域に保持します。サーバーを用意しなくても扱える反面、ブラウザのサイトデータを消去したり、保存環境が変わったりすると、データを参照できなくなる可能性があります。
そのため、JSONバックアップと復元機能を実装しました。復元時には件数を確認し、バックアップの整合性チェックも行います。ただし、チェック値は改ざん対策用の暗号学的な署名ではありません。バックアップファイル自体も適切に保管する必要があります。
OCRは誤認識する可能性があります。登録前には変更処理票の原本と照合し、特に変更情報No.、品目コード、日付などの重要項目を確認してください。社内の情報管理規程やブラウザ利用ルールに従うことも前提です。
実際に運用できる状態になるまでの結果
一括OCR、登録、検索、詳細表示、CSV出力、バックアップ・復元などを段階的に追加し、利用者が実際のEdge環境で確認を進めました。最後に登録情報の詳細表示を確認し、このプログラムで運用を始める判断に至りました。
一方、長期運用での安定性、すべてのPDFに対する認識精度、処理時間の削減率を数値で検証したわけではありません。これらは今後の運用で確かめる項目です。
まとめ｜インストールできない環境でもブラウザ方式は選択肢になる
ソフトのインストールが制限されたWindows 11の会社PCでも、Microsoft EdgeとローカルHTMLを組み合わせ、変更処理票のOCRとデータ管理を行う仕組みを作れました。重要だったのは、OCRの精度だけでなく、重複の確認、登録保留、途中再開、バックアップまで含めて業務に合わせたことです。
同じ方法を検討する場合は、まず社内規程とブラウザの実行制限を確認し、機密情報を含まないテスト用PDFで動作を確かめることをおすすめします。
でわっ！！
コメント