画像から文字列を抽出する
— OCR 入門（Tesseract + pytesseract）

# pytesseract：Tesseract の Python ラッパー
pip install pytesseract

# Pillow：画像の読み込み・操作ライブラリ
pip install Pillow

import pytesseract
from PIL import Image

print(pytesseract.get_tesseract_version())  # Tesseract のバージョン確認

import pytesseract
from PIL import Image

# Windows の場合はパスを指定（不要なら削除）
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

# 画像を開く
img = Image.open("sample.png")

# OCR でテキストを抽出（デフォルトは英語）
text = pytesseract.image_to_string(img)

print(text)
print("---")
print(f"文字数: {len(text)}")

import pytesseract

# ファイルパスを直接渡す
text = pytesseract.image_to_string("sample.png")
print(text)

import pytesseract
from PIL import Image

img = Image.open("japanese_sample.png")

# lang='jpn' で日本語モデルを使用
text = pytesseract.image_to_string(img, lang='jpn')
print(text)

# 英語と日本語を混在させる場合（+ で区切る）
text_mixed = pytesseract.image_to_string(img, lang='jpn+eng')
print(text_mixed)

import pytesseract

# インストール済み言語データの一覧を取得
langs = pytesseract.get_languages()
print(langs)
# 例: ['eng', 'jpn', 'osd']

import pytesseract
from PIL import Image
import pandas as pd

img = Image.open("sample.png")

# TSV 形式で取得
tsv_text = pytesseract.image_to_data(img)
print(tsv_text)

# pandas DataFrame として取得
df = pytesseract.image_to_data(img, output_type=pytesseract.Output.DATAFRAME)
print(df.columns.tolist())
# ['level', 'page_num', 'block_num', 'par_num', 'line_num', 'word_num',
#  'left', 'top', 'width', 'height', 'conf', 'text']

# 信頼度が 60 以上の単語だけ抽出
reliable = df[df['conf'] > 60][['text', 'conf', 'left', 'top', 'width', 'height']]
print(reliable.to_string())

import pytesseract
from PIL import Image, ImageDraw
import pandas as pd

img = Image.open("sample.png")
draw = ImageDraw.Draw(img)

# image_to_data で単語ごとの座標を取得
df = pytesseract.image_to_data(
    img,
    output_type=pytesseract.Output.DATAFRAME,
    lang='eng'
)

# 信頼度が 60 以上の単語に矩形を描画
for _, row in df.iterrows():
    if row['conf'] > 60 and isinstance(row['text'], str) and row['text'].strip():
        x, y, w, h = int(row['left']), int(row['top']), int(row['width']), int(row['height'])
        draw.rectangle([x, y, x + w, y + h], outline='red', width=2)
        # テキストラベルを描画（任意）
        draw.text((x, y - 12), row['text'], fill='red')

# 結果を保存
img.save("output_bbox.png")
print("output_bbox.png に保存しました")

import pytesseract
from PIL import Image, ImageDraw

img = Image.open("sample.png")
h_img = img.height  # 座標変換用に高さを保持

# 文字単位の bounding box を取得
boxes_str = pytesseract.image_to_boxes(img, lang='eng')

draw = ImageDraw.Draw(img)
for line in boxes_str.splitlines():
    parts = line.split()
    if len(parts) < 6:
        continue
    char = parts[0]
    x1, y1, x2, y2 = int(parts[1]), int(parts[2]), int(parts[3]), int(parts[4])
    # image_to_boxes は左下原点 → Pillow (左上原点) に変換
    y1_pil = h_img - y2
    y2_pil = h_img - y1
    draw.rectangle([x1, y1_pil, x2, y2_pil], outline='blue', width=1)

img.save("output_char_bbox.png")
print("output_char_bbox.png に保存しました")

import pytesseract
from PIL import Image

img = Image.open("sample.png")

# PSM (Page Segmentation Mode) の指定例
# --psm 6 : 単一ブロックのテキストとして処理（デフォルトは 3）
text = pytesseract.image_to_string(img, config='--psm 6')
print(text)

# OEM (OCR Engine Mode) の指定
# --oem 3 : デフォルト（LSTM + Legacy の両方を使用）
# --oem 1 : LSTM のみ使用（Tesseract 4 以降で推奨）
text2 = pytesseract.image_to_string(img, config='--oem 1 --psm 6')
print(text2)

# 数字だけを認識させる
text_num = pytesseract.image_to_string(img, config='--psm 6 -c tessedit_char_whitelist=0123456789')
print(text_num)

import pytesseract
from PIL import Image
import pandas as pd

# Windows の場合
# pytesseract.pytesseract.tesseract_cmd = r'C:\Program Files\Tesseract-OCR\tesseract.exe'

def ocr_image(image_path: str, lang: str = 'eng', psm: int = 3) -> str:
    """画像からテキストを抽出する基本関数"""
    img = Image.open(image_path)
    config = f'--psm {psm}'
    return pytesseract.image_to_string(img, lang=lang, config=config).strip()


def ocr_image_with_confidence(image_path: str, lang: str = 'eng',
                               min_conf: int = 60) -> list[dict]:
    """信頼度付きで単語リストを返す"""
    img = Image.open(image_path)
    df = pytesseract.image_to_data(img, lang=lang,
                                   output_type=pytesseract.Output.DATAFRAME)
    results = []
    for _, row in df.iterrows():
        if row['conf'] >= min_conf and isinstance(row['text'], str) and row['text'].strip():
            results.append({
                'text': row['text'],
                'conf': row['conf'],
                'box': (int(row['left']), int(row['top']),
                        int(row['width']), int(row['height']))
            })
    return results


# 使用例
if __name__ == '__main__':
    # 英語テキストの抽出
    text = ocr_image('sample.png', lang='eng', psm=6)
    print("=== 抽出テキスト ===")
    print(text)

    # 日本語テキストの抽出
    text_ja = ocr_image('japanese_sample.png', lang='jpn', psm=6)
    print("\n=== 日本語テキスト ===")
    print(text_ja)

    # 信頼度付き単語リスト
    words = ocr_image_with_confidence('sample.png', min_conf=70)
    print(f"\n=== 信頼度 70 以上の単語: {len(words)} 個 ===")
    for w in words:
        print(f"  '{w['text']}' (conf={w['conf']}, box={w['box']})")