Google Drive OCR

国会図書館デジタルコレクションに収蔵されている古い文書は「画像」として保存されている．ダウンロードする際はPDFフィアルとして保存できるが，最近のワープロで作ったPDF文書とは異なり，コピー＆ペーストできない．そのため，引用する際は必要な部分をキーボードから入力する必要がある．面倒と思う人向きには，OCR（光学的文字認識）による入力法があることを以前紹介した．

OCRについては以下の説明を参照してほしい．

OCR（Optical Character Recognition/Reader）とは、手書きや印刷された文字を、イメージスキャナやデジタルカメラによって読みとり、コンピュータが利用できるデジタルの文字コードに変換する技術。

ダウンロードしたファイルをプリントアウトした紙原稿をスキャナーで読み取り，専用のOCRアプリで文字変換している人を見掛けたことがあるが，そんなまわりくどいことをする必要はない．Googleのクラウドサービスを利用して，画像ファイルをGoogleドライブに転送すればよい．以前のGoogleドキュメントより認識精度が上がっていると聞いたので，明治時代の「官報」を読む際にテストしてみた．

Googleドライブに文書画像を保存する際に，OCR（光学的文字認識）機能を追加しておけば，自動で文字化することができる．Googleドライブの画面右上端に表示される「歯車マーク」をクリックすると設定画面に移るので，「アップロードしたファイルを変換する」をクリックするだけでよい．

設定画面（以前のように自動では変換されないので，次のステップが必要）

アップロードされたら，ファイルを右クリックして「アプリで開く」から「Googleドキュメント」を選択すればよい．

今回は「官報」（明治２２年，縦書き）の文書画像をOCRテストしてみた．構成はゴチャゴチャで画質も悪くOCRに向いていないタイプである．PDFをJPG画像に変換後，不要部分を削除するなど手を加えた（後述）．

完全自動で変換した結果を以下に示した．

スキャンした画像が今回テストした程度の質であれば，どうにか文字化することができるようである．しかし，初期画像データの中に，国名が「肥後」と同じという意味で「〃」の変形文字が使用されていたため，英文字の横列と勘違いするトラブルがあったので，画像から削除した．

新旧OCRバージョンの認識能比較

新しいバージョンのOCRによる認識結果

変色した文書を文字認識させてみた．テストしたのは以前紹介した画像データ（PDFをJPGに変換後整形）と同じものである．認識能は確実に上がっている．昔の活字は現在のものと異なるものもあるので，系統的に誤認識されることがある．例えば，「と」は「凸版文久見出し明朝」的な書体のため．すべて「ミ」と認識されている．括弧内の文字が正しい文字である．なお，新旧比較のため，古いバージョンのOCR認識結果と較べてほしい．

重賢と妙解寺松洞

比の重賢の園（國）主たりし時、共（其）の菩提寺なる妙解寺にて成（或）年、寺主松洞が領主を離し（請じ）て撃墜（饗応）し たこミ（と）がある。共（其）時、御馳走にミ（と）て、豆腐をおかしく推（拵）べ（へ）、紅にて色を着けなさ（ど）して興あるものミ（と）して差上けた。所が撃（重賢）は一見して眉を鍛（顰）め、「か・（ゝ）る田舎の果まで、食物に継（徒）らの巧みを貸（為）し、之が貸（為）に貼（財）をも暇をも費やすミ（と）いふは憂ふべきこミ（と）である。如何にしたミ（と）て、豆腐の味は鍵（變）るまじ』ミ（と）いつた。之を聞いて和尚は大に赤面したミ（と）いふこミ（と）である。

又同寺にて松洞が侯に侍食した時、『比頃は常（當）國は大に豆腐の製法瀬（精）しくなり、都にもおさおさ劣らぬやうに豊（覚）えます』ミ（と）言上した所、侯は反て喜ばす、『田舎は田舎にてあらんこそよけれ』 ミ（と）答へた。又重賢は比寺へ詣づる途中、或市を過ぎり、某店に洗粉ミ（と）いふ物を槍（繪）の紙袋に入れ

■**（ゴミ？）

て賞（賣）り出せるを、駕籠の中より認め、『我が所領もか、（ゝ）る物を賞（賣）買ふばかり華著に赴いたか、こ れやがて國の貧を招く基なり』ミ（と）敷（歎）息したミ（と）いふ。

古いバージョンのOCRによる認識結果

GoogleドキュメントのOCRでは「と」は「さ」あるいは「ミ」と変換している．また，「，」は上付き「' 」と認識している．「重賢」はすべて認識できていない．

翼翼（重賢）と妙解寺松調

此の重寶（賢）の國王（主）仁（た）わ（り）し時' （、）其の菩提寺なる妙解寺にて成（或）年'（、） 寺主松洞が顕（領）王（主）を継げ（請じ）て饗應し たこさ（と）がある。 其畔（時）'（、） 御馳走にさ（と）て' 豆臓をおかしく欄（拵）は（へ）〝 江（紅）にて色を着けなき（と）して興あるも のミ（と）して差上げた。 所が重認（賢）は一見して眉を蠅（顰）め縄（，「）か.ろ（かゝる）田舎の果まで'（、） 食物に御幌（徒）の暁（巧）みを 起（為）し'（、） 之が興（為）に嘘（財）をも嘘（暇）をも費やすヾ)（と）いふは憂ふべきこさ（と）である。 如何にしたさて・ （、）豆腐の味 は聾（變）るまじ』 ミ（と）いった。 之を聞いて和尚は大に赤面しに（た）さ（と） 、（い） ふ・ )ー（こと） である。 ？一 ' ' 野 丶 」？ 又同寺にて松洞が侯に侍鹿（食）した時等（，『）此頃は富（當）國は大に豆腐の製法離（精）しくなり'（，） 邸（都）にもおさお さ劣らぬやうに費（覚）えます』 さ（と）言上し允尻（所，）'侯は反て喜ぱず寺（，「）田舎は田舎にてあらん~)（こ）そよけれ」 さ（と）答へ た。 又顧廣（重賢）は此寺へ 詣づる騰（途）中' （、）成（或）市を過ぎり'（、） 語（某店）に洗粉ミ（と）いふ強（物）を締（繪）の網（紙）袋に入れ て寶り出せるを' （、）駕離の中よむ（り）諦（認）め~（、）『我が所領もか ゝ る物を驚（売）買ふばかわ（り）華奢に赴いたか' （、）こ れやがて目（国）の貧を招く華（基）なり』 さ（と）魏（嘆）息したさ（と）いふ。

紙面が変色している，焦点が合っていない，ルビがあることを考えると，かなり改善され，十分に使用可能である．結論としては，ひとまわり大きな画像に変換整形してOCR処理すれば，かなり楽をすることができるようである．なお，ダウンロードしたPDFファイルをそのままOCR処理した結果は続編を見てほしい．

続編 Google Drive OCR２．国会図書館デジタルコレクションのPDFファイル

引用資料

近代デジタルライブラリー 足立栗園 著 偉人と其生活 大正12 細川重賢の節約と儉約令

国立国会図書館デジタルコレクション ラヂオ研究会 著 八球スーパーヘテロダイン組立図解 昭和4