このページは Cloud Translation API によって翻訳されました。

Enterprise Document OCR

Document AI の一部として Enterprise Document OCR を使用すると、さまざまなドキュメントからテキストとレイアウト情報を検出して抽出できます。構成可能な機能を使用すると、特定のドキュメント処理要件に合わせてシステムを調整できます。

概要

Enterprise Document OCR は、アルゴリズムや機械学習に基づくデータ入力、データの精度の向上と検証などのタスクに使用できます。Enterprise Document OCR を使用して、次のようなタスクを処理することもできます。

テキストのデジタル化: 検索、ルールベースのドキュメント処理パイプライン、カスタムモデルの作成のために、ドキュメントからテキストとレイアウトデータを抽出します。
大規模言語モデルアプリケーションの使用: LLM のコンテキスト認識機能と OCR のテキストとレイアウト抽出機能を使用して、質問と回答を自動化します。データから分析情報を抽出し、ワークフローを効率化します。
アーカイブ: 紙のドキュメントをデジタル化して機械読み取り可能なテキストに変換し、ドキュメントのアクセシビリティを向上させます。

ユースケースに最適な OCR の選択

解決策	プロダクト	説明	ユースケース
Document AI	Enterprise Document OCR	ドキュメントのユースケース向けに特化したモデル。高度な機能には、画像品質スコア、言語ヒント、回転補正などがあります。	ドキュメントからテキストを抽出する場合におすすめです。ユースケースには、PDF、スキャンしたドキュメント（画像）、Microsoft DocX ファイルなどがあります。
Document AI	OCR アドオン	特定の要件に対応したプレミアム機能。Enterprise Document OCR バージョン 2.0 以降とのみ互換性があります。	数式を検出して認識する、フォントスタイル情報を取得する、チェックボックスの抽出を有効にする必要がある。
Cloud Vision API	テキスト検出	Google Cloud 標準の OCR モデルに基づく、世界中で利用可能な REST API。デフォルトの割り当ては 1 分あたり 1,800 リクエストです。	低レイテンシと大容量を必要とする一般的なテキスト抽出のユースケース。
Cloud Vision	OCR Google Distributed Cloud（非推奨）	GKE Enterprise を使用して任意の GKE クラスタにコンテナとしてデプロイできる Google Cloud Marketplace アプリケーション。	データ所在地またはコンプライアンスの要件を満たすため。

検出と抽出

Enterprise Document OCR は、PDF と画像からブロック、段落、行、単語、記号を検出できます。また、ドキュメントの傾きを補正して精度を高めることもできます。

サポートされているレイアウト検出と抽出の属性:

印刷されたテキスト	手書き入力	段落	ブロック	ライン	Word	シンボルレベル	ページ番号
デフォルト	デフォルト	デフォルト	デフォルト	デフォルト	デフォルト	構成可能	デフォルト

構成可能な Enterprise Document OCR の機能には次のようなものがあります。

デジタル PDF から埋め込みテキストまたはネイティブテキストを抽出する: この機能では、回転したテキスト、極端なフォントサイズやスタイル、部分的に隠れたテキストの場合でも、元のドキュメントに表示されているとおりにテキストと記号が抽出されます。
回転の補正: Enterprise Document OCR を使用してドキュメント画像を前処理し、抽出の品質や処理に影響する可能性のある回転の問題を修正します。
画像品質スコア: ドキュメントのルーティングに役立つ品質指標を取得します。画像品質スコアは、ぼやけ、通常より小さいフォント、グレアなど、8 つの項目においてページ単位の品質指標を提供します。
ページ範囲を指定する: OCR の入力ドキュメント内のページの範囲を指定します。これにより、不要なページの費用と処理時間を節約できます。
言語の検出: 抽出されたテキストで使用されている言語を検出します。
言語と手書きのヒント: データセットの既知の特性に基づいて、OCR モデルに言語または手書きのヒントを提供することで、精度を向上させます。

OCR 構成を有効にする方法については、OCR 構成を有効にするをご覧ください。

OCR アドオン

Enterprise Document OCR には、必要に応じて個々の処理リクエストで有効にできるオプションの分析機能があります。

次のアドオン機能は、安定版 pretrained-ocr-v2.0-2023-06-02 バージョンと pretrained-ocr-v2.1-2024-08-07 バージョン、リリース候補版 pretrained-ocr-v2.1.1-2025-01-31 バージョンで利用できます。

数学 OCR: LaTeX 形式のドキュメントから数式を特定して抽出します。
チェックボックスの抽出: チェックボックスを検出し、エンタープライズドキュメント OCR レスポンスでそのステータス（チェック済み/未チェック）を抽出します。
フォントスタイルの検出: フォントタイプ、フォントスタイル、手書き、太さ、色など、単語レベルのフォントプロパティを特定します。

リストに表示されているアドオンを有効にする方法については、OCR アドオンを有効にするをご覧ください。

サポートされているファイル形式

Enterprise Document OCR は、PDF、GIF、TIFF、JPEG、PNG、BMP、WebP のファイル形式をサポートしています。詳細については、サポートされているファイルをご覧ください。

Enterprise Document OCR は、同期で最大 15 ページ、非同期で最大 30 ページの DocX ファイルをサポートしています。DocX のサポートは限定公開プレビュー版です。アクセスをリクエストするには、DocX サポートリクエストフォームを送信してください。

高度なバージョニング

高度なバージョニングはプレビュー版です。基盤となる AI/ML OCR モデルのアップグレードにより、OCR の動作が変更される可能性があります。厳密な整合性が必要な場合は、凍結されたモデルバージョンを使用して、最大 18 か月間、レガシー OCR モデルに動作を固定します。これにより、同じ画像が OCR 関数の結果になります。プロセッサバージョンの表をご覧ください。

プロセッサのバージョン

この機能に対応しているプロセッサのバージョンは次のとおりです。詳細については、プロセッサバージョンの管理をご覧ください。

バージョン ID	リリースチャンネル	説明
`pretrained-ocr-v1.0-2020-09-23`	Stable	使用は推奨されず、米国（US）と欧州連合（EU）では 2025 年 4 月 30 日をもって廃止されます。
`pretrained-ocr-v1.1-2022-09-12`	Stable	使用は推奨されず、米国（US）と欧州連合（EU）では 2025 年 4 月 30 日をもって廃止されます。
`pretrained-ocr-v1.2-2022-11-10`	Stable	凍結されたモデルバージョン v1.0: コンテナイメージに最大 18 か月間凍結されたバージョンスナップショットのモデルファイル、構成、バイナリ。
`pretrained-ocr-v2.0-2023-06-02`	Stable	ドキュメントのユースケースに特化した本番環境対応モデル。すべての OCR アドオンへのアクセスが含まれます。
`pretrained-ocr-v2.1-2024-08-07`	Stable	v2.1 の主な改善点は、印刷されたテキストの認識精度の向上、チェックボックスの検出精度の向上、読み取り順序の精度の向上です。
`pretrained-ocr-v2.1.1-2025-01-31`	リリース候補	v2.1.1 は V2.1 に似ており、`US`、`EU`、`asia-southeast1` を除くすべてのリージョンで使用できます。

Enterprise Document OCR を使用してドキュメントを処理する

このクイックスタートでは、Enterprise Document OCR の概要について説明します。使用可能な OCR 構成を有効または無効にして、ワークフローのドキュメント OCR 結果を最適化する方法について説明します。

Sign in to your Google Cloud account. If you're new to Google Cloud, create an account to evaluate how our products perform in real-world scenarios. New customers also get $300 in free credits to run, test, and deploy workloads.

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

Enable the Document AI API.

Enable the API

In the Google Cloud console, on the project selector page, select or create a Google Cloud project.

Go to project selector

Make sure that billing is enabled for your Google Cloud project.

Enable the Document AI API.

Enable the API

Enterprise Document OCR プロセッサを作成する

まず、Enterprise Document OCR プロセッサを作成します。詳細については、プロセッサの作成と管理をご覧ください。

OCR の構成

すべての OCR 構成を有効にするには、ProcessDocumentRequest または BatchProcessDocumentsRequest の ProcessOptions.ocrConfig の各フィールドを設定します。

詳細については、処理リクエストを送信するをご覧ください。

画像品質の分析

インテリジェントなドキュメント品質分析では、機械学習を使用して、コンテンツの読みやすさに基づいてドキュメントの品質評価を行います。この品質評価は品質スコア [0, 1] として返されます。1 は品質が完全であることを意味します。検出された品質スコアが 0.5 未満の場合、品質が低い理由のリスト（可能性が高い順）も返されます。確率が 0.5 より大きい場合は、検出が陽性と見なされます。

ドキュメントに欠陥があると判断された場合、API は次の 8 種類のドキュメント欠陥を返します。

quality/defect_blurry
quality/defect_noisy
quality/defect_dark
quality/defect_faint
quality/defect_text_too_small
quality/defect_document_cutoff
quality/defect_text_cutoff
quality/defect_glare

現在のドキュメント品質分析にはいくつかの制限があります。

欠陥のないデジタルドキュメントで誤検出が返されることがあります。この機能は、スキャンした書類や写真に最適です。
グレア欠陥は局所的です。これらの要素があっても、ドキュメント全体の読みやすさは損なわれません。

入力

処理リクエストで ProcessOptions.ocrConfig.enableImageQualityScores を true に設定して有効にします。この追加機能により、OCR 処理に匹敵するレイテンシが処理呼び出しに追加されます。

  {
    "rawDocument": {
      "mimeType": "MIME_TYPE",
      "content": "IMAGE_CONTENT"
    },
    "processOptions": {
      "ocrConfig": {
        "enableImageQualityScores": true
      }
    }
  }

出力

欠陥検出結果は Document.pages[].imageQualityScores[] に表示されます。

  {
    "pages": [
      {
        "imageQualityScores": {
          "qualityScore": 0.7811847,
          "detectedDefects": [
            {
              "type": "quality/defect_document_cutoff",
              "confidence": 1.0
            },
            {
              "type": "quality/defect_glare",
              "confidence": 0.97849524
            },
            {
              "type": "quality/defect_text_cutoff",
              "confidence": 0.5
            }
          ]
        }
      }
    ]
  }

出力の完全な例については、サンプルプロセッサ出力をご覧ください。

言語ヒント

OCR プロセッサは、OCR エンジンのパフォーマンスを向上させるために定義する言語ヒントをサポートしています。言語ヒントを適用すると、OCR は推定された言語ではなく、選択した言語に合わせて最適化できます。

入力

BCP-47 言語コードのリストを使用して ProcessOptions.ocrConfig.hints[].languageHints[] を設定して有効にします。

  {
    "rawDocument": {
      "mimeType": "MIME_TYPE",
      "content": "IMAGE_CONTENT"
    },
    "processOptions": {
      "ocrConfig": {
        "hints": {
          "languageHints": ["en", "es"]
        }
      }
    }
  }

出力の完全な例については、サンプルプロセッサ出力をご覧ください。

記号の検出

ドキュメントレスポンスでシンボル（または個々の文字）レベルでデータを入力します。

入力

処理リクエストで ProcessOptions.ocrConfig.enableSymbol を true に設定して有効にします。

  {
    "rawDocument": {
      "mimeType": "MIME_TYPE",
      "content": "IMAGE_CONTENT"
    },
    "processOptions": {
      "ocrConfig": {
        "enableSymbol": true
      }
    }
  }

出力

この機能が有効になっている場合、フィールド Document.pages[].symbols[] に値が入力されます。

出力の完全な例については、サンプルプロセッサ出力をご覧ください。

組み込みの PDF 解析

デジタル PDF ファイルから埋め込まれたテキストを抽出します。有効にすると、デジタルテキストがある場合は、組み込みのデジタル PDF モデルが自動的に使用されます。デジタル以外のテキストがある場合は、光学 OCR モデルが自動的に使用されます。両方のテキスト結果が統合されてユーザーに表示されます。

入力

処理リクエストで ProcessOptions.ocrConfig.enableNativePdfParsing を true に設定して有効にします。

  {
    "rawDocument": {
      "mimeType": "MIME_TYPE",
      "content": "IMAGE_CONTENT"
    },
    "processOptions": {
      "ocrConfig": {
        "enableNativePdfParsing": true
      }
    }
  }

箱の中身の検出

デフォルトでは、Enterprise Document OCR では、ボックス内に配置された文字のテキスト抽出品質を向上させる検出機能が有効になっています。以下に例を示します。

enterprise-document-ocr-1

ボックス内の文字の OCR 品質に問題がある場合は、ボックス内の文字の検出を無効にできます。

入力

処理リクエストで ProcessOptions.ocrConfig.disableCharacterBoxesDetection を true に設定して無効にします。

  {
    "rawDocument": {
      "mimeType": "MIME_TYPE",
      "content": "IMAGE_CONTENT"
    },
    "processOptions": {
      "ocrConfig": {
        "disableCharacterBoxesDetection": true
      }
    }
  }

従来のレイアウト

ヒューリスティックレイアウト検出アルゴリズムが必要であれば、従来のレイアウトを有効にできます。これは、現在の ML ベースのレイアウト検出アルゴリズムの代替として機能します。これは推奨される構成ではありません。ドキュメントワークフローに基づいて、最適なレイアウトアルゴリズムを選択できます。

入力

処理リクエストで ProcessOptions.ocrConfig.advancedOcrOptions を ["legacy_layout"] に設定して有効にします。

  {
    "rawDocument": {
      "mimeType": "MIME_TYPE",
      "content": "IMAGE_CONTENT"
    },
    "processOptions": {
      "ocrConfig": {
          "advancedOcrOptions": ["legacy_layout"]
      }
    }
  }

ページ範囲を指定する

デフォルトでは、OCR はドキュメント内のすべてのページからテキストとレイアウト情報を抽出します。特定のページ番号またはページ範囲を選択して、そのページのテキストのみを抽出できます。

ProcessOptions でこれを構成する方法は 3 つあります。

2 ページ目と 5 ページ目のみを処理するには:

  {
    "individualPageSelector": {"pages": [2, 5]}
  }

最初の 3 ページのみを処理するには:

  {
    "fromStart": 3
  }

最後の 4 ページのみを処理するには:

  {
    "fromEnd": 4
  }

レスポンスでは、各 Document.pages[].pageNumber はリクエストで指定されたページに対応しています。

OCR アドオンの用途

これらの Enterprise Document OCR のオプションの分析機能は、必要に応じて個々の処理リクエストで有効にできます。

数学 OCR

数学 OCR は、LaTeX で表される数式などの数式を検出して認識し、境界ボックスの座標とともに抽出します。

LaTeX 表現の例を次に示します。

画像が検出されました
LaTeX への変換

入力

処理リクエストで ProcessOptions.ocrConfig.premiumFeatures.enableMathOcr を true に設定して有効にします。

  {
    "rawDocument": {
      "mimeType": "MIME_TYPE",
      "content": "IMAGE_CONTENT"
    },
    "processOptions": {
      "ocrConfig": {
          "premiumFeatures": {
            "enableMathOcr": true
          }
      }
    }
  }

出力

数学 OCR の出力は、"type": "math_formula" とともに Document.pages[].visualElements[] に表示されます。

"visualElements": [
  {
    "layout": {
      "textAnchor": {
        "textSegments": [
          {
            "endIndex": "46"
          }
        ]
      },
      "confidence": 1,
      "boundingPoly": {
        "normalizedVertices": [
          {
            "x": 0.14662756,
            "y": 0.27891156
          },
          {
            "x": 0.9032258,
            "y": 0.27891156
          },
          {
            "x": 0.9032258,
            "y": 0.8027211
          },
          {
            "x": 0.14662756,
            "y": 0.8027211
          }
        ]
      },
      "orientation": "PAGE_UP"
    },
    "type": "math_formula"
  }
]

Document JSON 出力の全文は、こちらのリンクで確認できます。

選択マークの抽出

有効にすると、モデルはドキュメント内のすべてのチェックボックスとラジオボタンを、境界ボックスの座標とともに抽出しようとします。

入力

処理リクエストで ProcessOptions.ocrConfig.premiumFeatures.enableSelectionMarkDetection を true に設定して有効にします。

  {
    "rawDocument": {
      "mimeType": "MIME_TYPE",
      "content": "IMAGE_CONTENT"
    },
    "processOptions": {
      "ocrConfig": {
          "premiumFeatures": {
            "enableSelectionMarkDetection": true
          }
      }
    }
  }

出力

チェックボックスの出力は、"type": "unfilled_checkbox" または "type": "filled_checkbox" とともに Document.pages[].visualElements[] に表示されます。

"visualElements": [
  {
    "layout": {
      "confidence": 0.89363575,
      "boundingPoly": {
        "vertices": [
          {
            "x": 11,
            "y": 24
          },
          {
            "x": 37,
            "y": 24
          },
          {
            "x": 37,
            "y": 56
          },
          {
            "x": 11,
            "y": 56
          }
        ],
        "normalizedVertices": [
          {
            "x": 0.017488075,
            "y": 0.38709676
          },
          {
            "x": 0.05882353,
            "y": 0.38709676
          },
          {
            "x": 0.05882353,
            "y": 0.9032258
          },
          {
            "x": 0.017488075,
            "y": 0.9032258
          }
        ]
      }
    },
    "type": "unfilled_checkbox"
  },
  {
    "layout": {
      "confidence": 0.9148201,
      "boundingPoly": ...
    },
    "type": "filled_checkbox"
  }
],

Document JSON 出力の全文は、こちらのリンクで確認できます。

フォントスタイルの検出

フォントスタイルの検出を有効にすると、Enterprise Document OCR はフォント属性を抽出します。この属性は、優れたポスト処理に使用できます。

トークン（単語）レベルでは、次の属性が検出されます。

手書き検出
フォントスタイル
フォントサイズ
フォントの種類
フォントの色
フォントの太さ
文字間隔
太字
斜体
下線
テキストの色（RGBa）
背景色（RGBa）

入力

処理リクエストで ProcessOptions.ocrConfig.premiumFeatures.computeStyleInfo を true に設定して有効にします。

  {
    "rawDocument": {
      "mimeType": "MIME_TYPE",
      "content": "IMAGE_CONTENT"
    },
    "processOptions": {
      "ocrConfig": {
          "premiumFeatures": {
            "computeStyleInfo": true
          }
      }
    }
  }

出力

フォントスタイルの出力は、タイプ StyleInfo の Document.pages[].tokens[].styleInfo で表示されます。

"tokens": [
  {
    "styleInfo": {
      "fontSize": 3,
      "pixelFontSize": 13,
      "fontType": "SANS_SERIF",
      "bold": true,
      "fontWeight": 564,
      "textColor": {
        "red": 0.16862746,
        "green": 0.16862746,
        "blue": 0.16862746
      },
      "backgroundColor": {
        "red": 0.98039216,
        "green": 0.9882353,
        "blue": 0.99215686
      }
    }
  },
  ...
]

Document JSON 出力の全文は、こちらのリンクで確認できます。

ドキュメントオブジェクトを Vision AI API 形式に変換する

Document AI Toolbox には、Document AI API の Document 形式を Vision AI の AnnotateFileResponse 形式に変換するツールが含まれています。これにより、ドキュメント OCR プロセッサと Vision AI API の間のレスポンスの比較が可能になります。サンプルコードを以下に示します。

Vision AI API レスポンスと Document AI API レスポンスとコンバータの間で既知の不一致があります。

Vision AI API レスポンスには、画像リクエストの場合は vertices のみが、PDF リクエストの場合は normalized_vertices のみが入力されます。Document AI レスポンスとコンバータは、vertices と normalized_vertices の両方を入力します。
Vision AI API レスポンスには、単語の最後の記号に detected_break が入力されます。Document AI API レスポンスとコンバータは、単語と単語の最後の記号に detected_break を入力します。
Vision AI API レスポンスでは、常にシンボルフィールドが入力されます。デフォルトでは、Document AI レスポンスの記号フィールドには値が入力されません。Document AI レスポンスとコンバータに記号フィールドが確実に入力されるようにするには、詳細に説明されているように enable_symbol 機能を設定します。

コードサンプル

次のコードサンプルは、OCR 構成とアドオンを有効にして処理リクエストを送信し、フィールドを読み取ってターミナルに出力する方法を示しています。

REST

リクエストのデータを使用する前に、次のように置き換えます。

LOCATION: プロセッサのロケーション（例:
- us - 米国
- eu - 欧州連合
PROJECT_ID: 実際の Google Cloud プロジェクト ID。
PROCESSOR_ID: カスタムプロセッサの ID。
PROCESSOR_VERSION: プロセッサのバージョン ID。詳細については、プロセッサバージョンを選択するをご覧ください。例:
- pretrained-TYPE-vX.X-YYYY-MM-DD
- stable
- rc
skipHumanReview: 人間による確認を無効にするブール値（人間参加型プロセッサでのみサポート）。
- true - 人間による審査をスキップ
- false - 人間による確認を有効にする（デフォルト）
MIME_TYPE^†: 有効な MIME タイプオプションのいずれか。
IMAGE_CONTENT^†: バイトストリームとして表される、有効なインラインドキュメントコンテンツの 1 つ。JSON 表現の場合、バイナリ画像データの base64 エンコード（ASCII 文字列）。これは次のような文字列になります。
- /9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q==
詳細については、Base64 エンコードをご覧ください。
FIELD_MASK: Document 出力に含めるフィールドを指定します。FieldMask 形式の完全修飾フィールド名のカンマ区切りリストです。
- 例: text,entities,pages.pageNumber
OCR の構成
- ENABLE_NATIVE_PDF_PARSING: （ブール値）PDF から埋め込まれたテキストを抽出します（利用可能な場合）。
- ENABLE_IMAGE_QUALITY_SCORES: （ブール値）ドキュメントのインテリジェントな品質スコアを有効にします。
- ENABLE_SYMBOL:（ブール値）記号（文字）の OCR 情報を含めます。
- DISABLE_CHARACTER_BOXES_DETECTION: （ブール値）OCR エンジンで文字ボックス検出ツールをオフにします。
- LANGUAGE_HINTS: OCR に使用する BCP-47 言語コードのリスト。
- ADVANCED_OCR_OPTIONS: OCR の動作をさらに微調整するための高度な OCR オプションのリスト。現在の有効な値は次のとおりです。
  - legacy_layout: ヒューリスティクスレイアウト検出アルゴリズム。現在の ML ベースのレイアウト検出アルゴリズムの代替として使用されます。
プレミアム OCR アドオン
- ENABLE_SELECTION_MARK_DETECTION: （ブール値）OCR エンジンで選択マーク検出ツールを有効にします。
- COMPUTE_STYLE_INFO（ブール値）フォント識別モデルを有効にして、フォントスタイル情報を返します。
- ENABLE_MATH_OCR:（ブール値）LaTeX 数学公式を抽出できるモデルを有効にします。
INDIVIDUAL_PAGES: 処理する個々のページのリスト。
- または、フィールド fromStart または fromEnd を指定して、ドキュメントの先頭または末尾から特定のページ数を処理します。

† このコンテンツは、inlineDocument オブジェクトで Base64 エンコードされたコンテンツを使用して指定することもできます。

HTTP メソッドと URL:

POST https://LOCATION-documentai.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION:process

リクエストの本文（JSON）:

{
  "skipHumanReview": skipHumanReview,
  "rawDocument": {
    "mimeType": "MIME_TYPE",
    "content": "IMAGE_CONTENT"
  },
  "fieldMask": "FIELD_MASK",
  "processOptions": {
    "ocrConfig": {
      "enableNativePdfParsing": ENABLE_NATIVE_PDF_PARSING,
      "enableImageQualityScores": ENABLE_IMAGE_QUALITY_SCORES,
      "enableSymbol": ENABLE_SYMBOL,
      "disableCharacterBoxesDetection": DISABLE_CHARACTER_BOXES_DETECTION,
      "hints": {
        "languageHints": [
          "LANGUAGE_HINTS"
        ]
      },
      "advancedOcrOptions": ["ADVANCED_OCR_OPTIONS"],
      "premiumFeatures": {
        "enableSelectionMarkDetection": ENABLE_SELECTION_MARK_DETECTION,
        "computeStyleInfo": COMPUTE_STYLE_INFO,
        "enableMathOcr": ENABLE_MATH_OCR,
      }
    },
    "individualPageSelector" {
      "pages": [INDIVIDUAL_PAGES]
    }
  }
}

リクエストを送信するには、次のいずれかのオプションを選択します。

curl

注: 次のコマンドは、gcloud init または gcloud auth login を実行して、ユーザーアカウントで gcloud CLI にログインしているか、Cloud Shell を使用して自動的に gcloud CLI にログインしていることを前提としています。gcloud auth list を実行すると、現在アクティブなアカウントを確認できます。

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

curl -X POST \
     -H "Authorization: Bearer $(gcloud auth print-access-token)" \
     -H "Content-Type: application/json; charset=utf-8" \
     -d @request.json \
     "https://LOCATION-documentai.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION:process"

PowerShell

注: 次のコマンドは、gcloud init または gcloud auth login を実行して、ご自分のユーザーアカウントで gcloud CLI にログインしていることを前提としています。gcloud auth list を実行すると、現在アクティブなアカウントを確認できます。

リクエスト本文を request.json という名前のファイルに保存して、次のコマンドを実行します。

$cred = gcloud auth print-access-token
$headers = @{ "Authorization" = "Bearer $cred" }

Invoke-WebRequest `
    -Method POST `
    -Headers $headers `
    -ContentType: "application/json; charset=utf-8" `
    -InFile request.json `
    -Uri "https://LOCATION-documentai.googleapis.com/v1/projects/PROJECT_ID/locations/LOCATION/processors/PROCESSOR_ID/processorVersions/PROCESSOR_VERSION:process" | Select-Object -Expand Content

リクエストが成功すると、サーバーは 200 OK HTTP ステータスコードと JSON 形式のレスポンスを返します。レスポンスの本文には Document のインスタンスが含まれます。

Python

詳細については、Document AI Python API のリファレンスドキュメントをご覧ください。

Document AI に対する認証を行うには、アプリケーションのデフォルト認証情報を設定します。詳細については、ローカル開発環境の認証の設定をご覧ください。


from typing import Optional, Sequence

from google.api_core.client_options import ClientOptions
from google.cloud import documentai

# TODO(developer): Uncomment these variables before running the sample.
# project_id = "YOUR_PROJECT_ID"
# location = "YOUR_PROCESSOR_LOCATION" # Format is "us" or "eu"
# processor_id = "YOUR_PROCESSOR_ID" # Create processor before running sample
# processor_version = "rc" # Refer to https://cloud.google.com/document-ai/docs/manage-processor-versions for more information
# file_path = "/path/to/local/pdf"
# mime_type = "application/pdf" # Refer to https://cloud.google.com/document-ai/docs/file-types for supported file types


def process_document_ocr_sample(
    project_id: str,
    location: str,
    processor_id: str,
    processor_version: str,
    file_path: str,
    mime_type: str,
) -> None:
    # Optional: Additional configurations for Document OCR Processor.
    # For more information: https://cloud.google.com/document-ai/docs/enterprise-document-ocr
    process_options = documentai.ProcessOptions(
        ocr_config=documentai.OcrConfig(
            enable_native_pdf_parsing=True,
            enable_image_quality_scores=True,
            enable_symbol=True,
            # OCR Add Ons https://cloud.google.com/document-ai/docs/ocr-add-ons
            premium_features=documentai.OcrConfig.PremiumFeatures(
                compute_style_info=True,
                enable_math_ocr=False,  # Enable to use Math OCR Model
                enable_selection_mark_detection=True,
            ),
        )
    )
    # Online processing request to Document AI
    document = process_document(
        project_id,
        location,
        processor_id,
        processor_version,
        file_path,
        mime_type,
        process_options=process_options,
    )

    text = document.text
    print(f"Full document text: {text}\n")
    print(f"There are {len(document.pages)} page(s) in this document.\n")

    for page in document.pages:
        print(f"Page {page.page_number}:")
        print_page_dimensions(page.dimension)
        print_detected_languages(page.detected_languages)

        print_blocks(page.blocks, text)
        print_paragraphs(page.paragraphs, text)
        print_lines(page.lines, text)
        print_tokens(page.tokens, text)

        if page.symbols:
            print_symbols(page.symbols, text)

        if page.image_quality_scores:
            print_image_quality_scores(page.image_quality_scores)

        if page.visual_elements:
            print_visual_elements(page.visual_elements, text)


def print_page_dimensions(dimension: documentai.Document.Page.Dimension) -> None:
    print(f"    Width: {str(dimension.width)}")
    print(f"    Height: {str(dimension.height)}")


def print_detected_languages(
    detected_languages: Sequence[documentai.Document.Page.DetectedLanguage],
) -> None:
    print("    Detected languages:")
    for lang in detected_languages:
        print(f"        {lang.language_code} ({lang.confidence:.1%} confidence)")


def print_blocks(blocks: Sequence[documentai.Document.Page.Block], text: str) -> None:
    print(f"    {len(blocks)} blocks detected:")
    first_block_text = layout_to_text(blocks[0].layout, text)
    print(f"        First text block: {repr(first_block_text)}")
    last_block_text = layout_to_text(blocks[-1].layout, text)
    print(f"        Last text block: {repr(last_block_text)}")


def print_paragraphs(
    paragraphs: Sequence[documentai.Document.Page.Paragraph], text: str
) -> None:
    print(f"    {len(paragraphs)} paragraphs detected:")
    first_paragraph_text = layout_to_text(paragraphs[0].layout, text)
    print(f"        First paragraph text: {repr(first_paragraph_text)}")
    last_paragraph_text = layout_to_text(paragraphs[-1].layout, text)
    print(f"        Last paragraph text: {repr(last_paragraph_text)}")


def print_lines(lines: Sequence[documentai.Document.Page.Line], text: str) -> None:
    print(f"    {len(lines)} lines detected:")
    first_line_text = layout_to_text(lines[0].layout, text)
    print(f"        First line text: {repr(first_line_text)}")
    last_line_text = layout_to_text(lines[-1].layout, text)
    print(f"        Last line text: {repr(last_line_text)}")


def print_tokens(tokens: Sequence[documentai.Document.Page.Token], text: str) -> None:
    print(f"    {len(tokens)} tokens detected:")
    first_token_text = layout_to_text(tokens[0].layout, text)
    first_token_break_type = tokens[0].detected_break.type_.name
    print(f"        First token text: {repr(first_token_text)}")
    print(f"        First token break type: {repr(first_token_break_type)}")
    if tokens[0].style_info:
        print_style_info(tokens[0].style_info)

    last_token_text = layout_to_text(tokens[-1].layout, text)
    last_token_break_type = tokens[-1].detected_break.type_.name
    print(f"        Last token text: {repr(last_token_text)}")
    print(f"        Last token break type: {repr(last_token_break_type)}")
    if tokens[-1].style_info:
        print_style_info(tokens[-1].style_info)


def print_symbols(
    symbols: Sequence[documentai.Document.Page.Symbol], text: str
) -> None:
    print(f"    {len(symbols)} symbols detected:")
    first_symbol_text = layout_to_text(symbols[0].layout, text)
    print(f"        First symbol text: {repr(first_symbol_text)}")
    last_symbol_text = layout_to_text(symbols[-1].layout, text)
    print(f"        Last symbol text: {repr(last_symbol_text)}")


def print_image_quality_scores(
    image_quality_scores: documentai.Document.Page.ImageQualityScores,
) -> None:
    print(f"    Quality score: {image_quality_scores.quality_score:.1%}")
    print("    Detected defects:")

    for detected_defect in image_quality_scores.detected_defects:
        print(f"        {detected_defect.type_}: {detected_defect.confidence:.1%}")


def print_style_info(style_info: documentai.Document.Page.Token.StyleInfo) -> None:
    """
    Only supported in version `pretrained-ocr-v2.0-2023-06-02`
    """
    print(f"           Font Size: {style_info.font_size}pt")
    print(f"           Font Type: {style_info.font_type}")
    print(f"           Bold: {style_info.bold}")
    print(f"           Italic: {style_info.italic}")
    print(f"           Underlined: {style_info.underlined}")
    print(f"           Handwritten: {style_info.handwritten}")
    print(
        f"           Text Color (RGBa): {style_info.text_color.red}, {style_info.text_color.green}, {style_info.text_color.blue}, {style_info.text_color.alpha}"
    )


def print_visual_elements(
    visual_elements: Sequence[documentai.Document.Page.VisualElement], text: str
) -> None:
    """
    Only supported in version `pretrained-ocr-v2.0-2023-06-02`
    """
    checkboxes = [x for x in visual_elements if "checkbox" in x.type]
    math_symbols = [x for x in visual_elements if x.type == "math_formula"]

    if checkboxes:
        print(f"    {len(checkboxes)} checkboxes detected:")
        print(f"        First checkbox: {repr(checkboxes[0].type)}")
        print(f"        Last checkbox: {repr(checkboxes[-1].type)}")

    if math_symbols:
        print(f"    {len(math_symbols)} math symbols detected:")
        first_math_symbol_text = layout_to_text(math_symbols[0].layout, text)
        print(f"        First math symbol: {repr(first_math_symbol_text)}")




def process_document(
    project_id: str,
    location: str,
    processor_id: str,
    processor_version: str,
    file_path: str,
    mime_type: str,
    process_options: Optional[documentai.ProcessOptions] = None,
) -> documentai.Document:
    # You must set the `api_endpoint` if you use a location other than "us".
    client = documentai.DocumentProcessorServiceClient(
        client_options=ClientOptions(
            api_endpoint=f"{location}-documentai.googleapis.com"
        )
    )

    # The full resource name of the processor version, e.g.:
    # `projects/{project_id}/locations/{location}/processors/{processor_id}/processorVersions/{processor_version_id}`
    # You must create a processor before running this sample.
    name = client.processor_version_path(
        project_id, location, processor_id, processor_version
    )

    # Read the file into memory
    with open(file_path, "rb") as image:
        image_content = image.read()

    # Configure the process request
    request = documentai.ProcessRequest(
        name=name,
        raw_document=documentai.RawDocument(content=image_content, mime_type=mime_type),
        # Only supported for Document OCR processor
        process_options=process_options,
    )

    result = client.process_document(request=request)

    # For a full list of `Document` object attributes, reference this page:
    # https://cloud.google.com/document-ai/docs/reference/rest/v1/Document
    return result.document




def layout_to_text(layout: documentai.Document.Page.Layout, text: str) -> str:
    """
    Document AI identifies text in different parts of the document by their
    offsets in the entirety of the document"s text. This function converts
    offsets to a string.
    """
    # If a text segment spans several lines, it will
    # be stored in different text segments.
    return "".join(
        text[int(segment.start_index) : int(segment.end_index)]
        for segment in layout.text_anchor.text_segments
    )

次のステップ

プロセッサリストを確認します。
レイアウトパーサーを使用してドキュメントを読み取り可能なチャンクに分割します。
カスタム分類子を作成します。

Enterprise Document OCR

概要

ユースケースに最適な OCR の選択

検出と抽出

OCR アドオン

サポートされているファイル形式

高度なバージョニング

プロセッサのバージョン

Enterprise Document OCR を使用してドキュメントを処理する

Enterprise Document OCR プロセッサを作成する

OCR の構成

画像品質の分析

入力

出力

言語ヒント

入力

記号の検出

入力

出力

組み込みの PDF 解析

入力

箱の中身の検出

入力

従来のレイアウト

入力

ページ範囲を指定する

OCR アドオンの用途

数学 OCR

入力

出力

選択マークの抽出

入力

出力

フォント スタイルの検出

入力

出力

ドキュメント オブジェクトを Vision AI API 形式に変換する

コードサンプル

REST

curl

PowerShell

Python

次のステップ

フォントスタイルの検出

ドキュメントオブジェクトを Vision AI API 形式に変換する