PDFをテキスト化する方法（Azure Cognitive Service）

＜目次＞

(１) PDFをテキスト化する方法（Azure Cognitive Service）
　やりたいこと
　概要
　STEP0：前提条件
　STEP1：Azureのリソース作成
　STEP2：必要なパッケージのインストール
　STEP3：サンプルプログラムの実行

(１) PDFをテキスト化する方法（Azure Cognitive Service）

やりたいこと

概要

STEP0：前提条件

STEP1：Azureのリソース作成

（図１１０）

・②必要情報を入力して「確認と作成」→「作成」

（図１１１）

↓

（図１１２）

・③「キー」と「エンドポイント」を控える

（図１１３）

 

STEP2：必要なパッケージのインストール

> pip install azure-ai-formrecognizer
> pip install azure-core

（図２１１）

（図２１２）

STEP3：サンプルプログラムの実行

import logging
from azure.ai.formrecognizer import DocumentAnalysisClient
from azure.core.credentials import AzureKeyCredential

"""
概要
    PDFファイルを文字データに変換する
引数
    _io.BufferedReader: PDFファイル
戻り値
    str: PDFの文字データ
"""
END_POINT = "https://xxxxxxxxxxxx.cognitiveservices.azure.com/"
KEY = "xxxxxxxxxxxxxxxxxxxxxxxxxx"

def analyze_general_documents(binary_file, logger):
    """
    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
    # →Form Recognizerのサービスを使える様にする
    document_analysis_client = DocumentAnalysisClient(endpoint=END_POINT, credential=AzureKeyCredential(KEY))
    
    # ドキュメントの解析
    # →ドキュメントの取得方法は「ファイルから」と「URLから」の2通りがある
    # (1)ファイル形式のドキュメント
    poller = document_analysis_client.begin_analyze_document("prebuilt-document", binary_file)
    # (2)URLからドキュメントを取得
    # poller = document_analysis_client.begin_analyze_document_from_url("prebuilt-document", docUrl)
    
    # 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
    
    logger.debug(f"PDF解析結果: {final_text}")

    return final_text

# スクリプトとして実行する際、Pythonは __name__ 変数に "__main__" という値を設定します。
# 一方で、他のモジュールからインポートされた場合は、モジュール名が __name__ 変数に設定されます。
if __name__ == "__main__":
    # ログメッセージの出力フォーマットを指定
    # asctime: ログレコードが作成された日時
    # name: ロガーの名前
    # levelname: ログレベルの名前
    # message: ログメッセージの内容
    logging.basicConfig(format='=== : %(asctime)s - %(name)s - %(levelname)s - %(message)s',level=logging.DEBUG)
    # 現在のモジュールの名前と同じ名前のロガーを取得する
    logger = logging.getLogger(__name__)

    # PDFファイルの読み込み
    binary_file = open("[ファイルパス].pdf", "rb")
    
    # PDFファイルの解析（文字データ化）
    result = analyze_general_documents(binary_file, logger)

（図３１２）

（図３１１）ドキュメントの取得方法は「ファイルから」と「URLから」の2通りある

（参考）

https://learn.microsoft.com/ja-jp/azure/applied-ai-services/form-recognizer/quickstarts/get-started-sdks-rest-api?view=form-recog-3.0.0&pivots=programming-language-python