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

ファイル内のテキストを検出する

このページでは、Google Distributed Cloud（GDC）エアギャップアプライアンスで光学式文字認識（OCR）API を使用してファイル内のテキストを検出する方法について説明します。

GDC のエアギャップアプライアンス上の Vertex AI の OCR サービスは、BatchAnnotateFiles API メソッドを使用して PDF ファイルと TIFF ファイルのテキストを検出します。

始める前に

OCR API の使用を開始するには、OCR API が有効になっているプロジェクトと適切な認証情報が必要です。また、API の呼び出しを支援するクライアントライブラリをインストールすることもできます。詳細については、文字認識プロジェクトを設定するをご覧ください。

インラインリクエストでテキストを検出する

BatchAnnotateFiles メソッドは、PDF ファイルまたは TIFF ファイルのバッチからテキストを検出します。テキストを検出するファイルを、API リクエストのコンテンツとして直接送信します。システムは、検出されたテキストを JSON 形式で API レスポンスとして返します。

API リクエストの JSON 本文のフィールドに値を指定する必要があります。次の表に、テキスト検出リクエストで BatchAnnotateFiles API メソッドを使用する場合に指定する必要があるリクエスト本文のフィールドの説明を示します。

リクエスト本文のフィールド	フィールドの説明
`content`	検出するテキストを含むファイル。バイナリファイルコンテンツの Base64 表現（ASCII 文字列）を指定します。注: GDC エアギャップアプライアンス環境にローカルに保存されているファイルのみを処理できます。
`mime_type`	ソースファイル形式。次のいずれかの値に設定する必要があります。 PDF ファイルの `application/pdf` TIFF ファイルの `image/tiff`
`type`	ファイルから検出する必要があるテキストの種類。次の 2 つのアノテーション機能のいずれかを指定します。 `TEXT_DETECTION` は、任意のファイルからテキストを検出、抽出します。JSON レスポンスには、抽出された文字列、個々の単語、それらの境界ボックスが含まれます。 `DOCUMENT_TEXT_DETECTION` はファイルからテキストを抽出しますが、サービスは高密度のテキストやドキュメントに応じてレスポンスを最適化します。ページ、ブロック、段落、単語、改行の情報が JSON に含まれます。これらのアノテーション機能の詳細については、光学文字認識機能をご覧ください。
`language_hints`	省略可。テキスト検出に使用する言語のリスト。このフィールドの値が空の場合、システムは自動言語検出と解釈します。ラテンアルファベット系の言語の場合、`language_hints` フィールドを設定する必要はありません。ファイル内のテキストの言語がわかっている場合は、ヒントを設定すると結果が改善されます。言語ヒントの仕組み `language_hints` 形式では、次の `BCP 47` 言語タグの形式設定ガイドラインを使用します。 `language` ["-" `script`] ["-" `region`] ("-" `variant`) ("-" `extension`) ["-" `privateuse`]。たとえば、言語ヒント「`en`-`t`-`i0`-`handwrit`」は、英語（`en`）、変換拡張機能シングルトン（`t`）、入力メソッドエンジン変換拡張機能コード（`i0`）、手書き変換コード（`handwrit`）を指定します。これは、言語が「手書きから変換された英語」であることを示しています。`en` 言語には `Latn` が含まれているため、スクリプトコードを指定する必要はありません。サポートされている言語の一覧については、サポートされている言語をご覧ください。
`pages`	省略可。テキスト検出のために処理するファイルのページ数。指定できるページ数の上限は 5 ページです。ページ数を指定しない場合、サービスはファイルの最初の 5 ページを処理します。

インライン API リクエストを作成する

REST API メソッドを使用して、OCR 事前トレーニング済み API にリクエストを送信します。それ以外の場合は、Python スクリプトから OCR 事前トレーニング済み API を操作して、PDF ファイルまたは TIFF ファイルからテキストを検出します。

次の例は、OCR を使用してファイル内のテキストを検出する方法を示しています。

REST

REST API メソッドを使用してファイル内のテキストを検出する手順は次のとおりです。

次の request.json ファイルをリクエスト本文として保存します。
```
cat <<- EOF > request.json
{
  "requests": [
    {
      "input_config": {
        "content": BASE64_ENCODED_FILE,
        "mime_type": "application/pdf"
      },
      "features": [
        {
          "type": "FEATURE_TYPE"
        }
      ],
      "image_context": {
        "language_hints": [
          "LANGUAGE_HINT_1",
          "LANGUAGE_HINT_2",
          ...
        ]
      },
      "pages": []
    }
  ]
}
EOF
```
次のように置き換えます。
- BASE64_ENCODED_FILE: バイナリファイルコンテンツの Base64 表現（ASCII 文字列）。この文字列は、/9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q== に似た文字で始まります。
- FEATURE_TYPE: ファイルから必要なテキスト検出のタイプ。指定できる値は TEXT_DETECTION または DOCUMENT_TEXT_DETECTION です。
- LANGUAGE_HINT: テキスト検出の言語ヒントとして使用する BCP 47 言語タグ（en-t-i0-handwrit など）。このフィールドは省略可能です。空の値は自動言語検出として解釈されます。
認証トークンを取得します。
次のリクエストを行います。
curl
```
curl -X POST \
  -H "Authorization: Bearer TOKEN" \
  -H "x-goog-user-project: projects/PROJECT_ID" \
  -H "Content-Type: application/json; charset=utf-8" \
  -d @request.json \
  https://ENDPOINT/v1/files:annotate
```
次のように置き換えます。
- TOKEN: 取得した認証トークン。
- PROJECT_ID: プロジェクト ID。
- ENDPOINT: 組織で使用する OCR エンドポイント。詳細については、サービスステータスとエンドポイントを表示するをご覧ください。
PowerShell
```
$headers = @{
  "Authorization" = "Bearer TOKEN"
  "x-goog-user-project" = "projects/PROJECT_ID"
}

Invoke-WebRequest
  -Method POST
  -Headers $headers
  -ContentType: "application/json; charset=utf-8"
  -InFile request.json
  -Uri "ENDPOINT/v1/files:annotate" | Select-Object -Expand Content
```
次のように置き換えます。
- TOKEN: 取得した認証トークン。
- ENDPOINT: 組織で使用する OCR エンドポイント。詳細については、サービスステータスとエンドポイントを表示するをご覧ください。

Python

Python スクリプトから OCR サービスを使用してファイル内のテキストを検出する手順は次のとおりです。

OCR クライアントライブラリの最新バージョンをインストールします。
Python スクリプトに必要な環境変数を設定します。
API リクエストを認証します。

作成した Python スクリプトに次のコードを追加します。

from google.cloud import vision
import google.auth
from google.auth.transport import requests
from google.api_core.client_options import ClientOptions

audience = "https://ENDPOINT:443"
api_endpoint="ENDPOINT:443"

def vision_client(creds):
  opts = ClientOptions(api_endpoint=api_endpoint)
  return vision.ImageAnnotatorClient(credentials=creds, client_options=opts)

def main():
  creds = None
  try:
    creds, project_id = google.auth.default()
    creds = creds.with_gdch_audience(audience)
    req = requests.Request()
    creds.refresh(req)
    print("Got token: ")
    print(creds.token)
  except Exception as e:
    print("Caught exception" + str(e))
    raise e
  return creds

def vision_func(creds):
  vc = vision_client(creds)
  input_config = {"content": "BASE64_ENCODED_FILE"}
  features = [{"type_": vision.Feature.Type.FEATURE_TYPE}]
  # Each requests element corresponds to a single file. To annotate more
  # files, create a request element for each file and add it to
  # the array of requests
  req = {"input_config": input_config, "features": features}

  metadata = [("x-goog-user-project", "projects/PROJECT_ID")]

  resp = vc.annotate_file(req,metadata=metadata)

  print(resp)

if __name__=="__main__":
  creds = main()
  vision_func(creds)

次のように置き換えます。

ENDPOINT: 組織で使用する OCR エンドポイント。詳細については、サービスステータスとエンドポイントを表示するをご覧ください。
BASE64_ENCODED_FILE: ファイルコンテンツの Base64 表現（ASCII 文字列）。この文字列は、/9j/4QAYRXhpZgAA...9tAVx/zDQDlGxn//2Q== に似た文字で始まります。
FEATURE_TYPE: ファイルから必要なテキスト検出のタイプ。指定できる値は TEXT_DETECTION または DOCUMENT_TEXT_DETECTION です。
PROJECT_ID: プロジェクト ID。

Python スクリプトを保存します。
Python スクリプトを実行して、ファイル内のテキストを検出します。
```
python SCRIPT_NAME
```
SCRIPT_NAME は、Python スクリプトに付けた名前（vision.py など）に置き換えます。

ファイル内のテキストを検出する コレクションでコンテンツを整理 必要に応じて、コンテンツの保存と分類を行います。

始める前に

インライン リクエストでテキストを検出する

インライン API リクエストを作成する

REST

curl

PowerShell

Python

ファイル内のテキストを検出する

インラインリクエストでテキストを検出する