Azure Blob Storage上にあるPDFファイルをテキスト変換する方法

＜目次＞

(１) Azure Blob Storage上にあるPDFファイルをテキスト変換する方法
　やりたいこと
　(１-０) STEP0：前提条件
　(１-１) STEP1：Pythonモジュールの準備
　(１-２) STEP2：環境構築
　(１-３) STEP3：プログラムの実行

(１) Azure Blob Storage上にあるPDFファイルをテキスト変換する方法

やりたいこと

(１-１) STEP0：前提条件

(１-１) STEP1：Pythonモジュールの準備

●STEP1-1：①azurestorage_pdf_to_text.py

import io
import os
from dotenv import load_dotenv
from azure.storage.blob import BlobServiceClient
from azure.ai.formrecognizer import DocumentAnalysisClient
from azure.core.credentials import AzureKeyCredential
# 環境変数読み込み
load_dotenv()

form_recognizer_end_point = os.environ.get('FORM_RECOGNIZER_END_POINT')
form_recognizer_key = os.environ.get('FORM_RECOGNIZER_KEY')
storage_account_name = os.environ.get('STORAGE_ACCOUNT_NAME')
storage_account_key = os.environ.get('STORAGE_ACCOUNT_KEY')
container_name = os.environ.get('CONTAINER_NAME')

# PDFファイルの解析（文字データ化）
def analyze_general_documents(stream):
    """
    binaryファイルを解析し、記載されている文字列を抽出します。
    """
    # DocumentAnalysisClientクラスのインスタンスを作成（Azure Form Recognizerに接続する）
    # →Form Recognizerのサービスを使える様にする
    document_analysis_client = DocumentAnalysisClient(
        endpoint=form_recognizer_end_point,
        credential=AzureKeyCredential(form_recognizer_key)
    )    
    # ドキュメントの解析
    poller = document_analysis_client.begin_analyze_document("prebuilt-document", stream)

    # 戻り値：AsyncLROPoller のインスタンス
    # →poller オブジェクトで result() を呼び出して、 を AnalyzeResult返します。
    result = poller.result()

    # 結果格納用の配列
    text_of_doc = []
    # 結果は「ページ単位」に分かれている
    for page in result.pages:
        # 更にその中で「行単位」に分かれる
        for line_idx, line in enumerate(page.lines):
            # 行単位に「単語」の情報を抽出
            words = line.get_words()
            for word in words:
                # リストに追加
                text_of_doc.append(word.content)

    # 配列の中身を、1つの変数に格納しなおす       
    final_text = ""
    for text in text_of_doc:
        final_text += text

    return final_text

def main():

    # BLOB名称
    # blob_name = '[ご自身のファイル名].pdf'
    blob_name = 'test.pdf'
    # BlobServiceClientオブジェクトを作成
    blob_service_client = BlobServiceClient(
        account_url=f"https://{storage_account_name}.blob.core.windows.net/",
        credential=storage_account_key
    )
    blob_client = blob_service_client.get_blob_client(container_name, blob_name)

    # Blob StorageからPDFファイルをバイトストリームとして読み込む
    stream = io.BytesIO()
    blob_client.download_blob().download_to_stream(stream)
    stream.seek(0)

    # Azure Form Recognizerに接続し、PDFを文字データに変換
    result = analyze_general_documents(stream)
    print(result)

if __name__ == "__main__":
     main()

（図１１１）

●STEP1-2：②.env：環境変数

FORM_RECOGNIZER_END_POINT = "https://xxxxxx.cognitiveservices.azure.com/"
FORM_RECOGNIZER_KEY = "xxxxx"
STORAGE_ACCOUNT_NAME='xxxxxx'
STORAGE_ACCOUNT_KEY='xxxxxx'
CONTAINER_NAME='xxxxxxx'

（図１２１）

●STEP1-3：③requirements.txt：必要なパッケージのインストール

python-dotenv==1.0.0
azure-ai-formrecognizer==3.2.1
azure-core==1.26.4
azure-storage-blob==12.16.0

（図１３１）

(１-２) STEP2：環境構築

●STEP2-1：仮想環境の構築

> python -m venv .venv

（図２１１）

●STEP2-2：仮想環境のアクティベート

> .\.venv\Scripts\activate

（図２１２）

＞目次にもどる

●STEP2-3：仮想環境のアクティベート

> pip install -r requirements.txt

(１-３) STEP3：プログラムの実行

> .\.venv\Scripts\python.exe [ファイルパス]\[モジュール名].py

> .\.venv\Scripts\python.exe .\pdf_to_text\azurestorage_pdf_to_text.py

（図２２１）

（図２２２）