OCRmyPDF 日本語導入キット

OCRmyPDFとtesseractで紙書類を検索可能PDFにする日本語導入キット（5,500円・MIT）

Kurage App Store で販売される導入キット。スキャンした請求書・納品書・契約書・FAX・縦書き文書を、オープンソースの OCRmyPDF（MPL-2.0）と tesseract で「文字で検索できる PDF」に変え、フォルダに投入するだけで回る状態まで持っていく。価格 5,500円（税込）、ライセンスは MIT。

• 商品ページ: https://kappstore.exbridge.jp/app.php?id=38cdb7bf9e3504b9
• デモ: https://kurage.exbridge.jp/oss/ocrmypdf/

実測の条件

自作の日本語見本6種を使い、docker 版（17.13.1・tesseract 5.5）と pip 版（16.13.0・tesseract 4.1）で 96条件を比較実測している。GPU は不要。

記録された落とし穴

キットの中核は「入れると壊れる設定」のカタログである（measured-pitfall-catalog）。

• psm6 が表のある帳票の表を丸ごと落とす
• --clean が薄い字を消す
• 影があると --deskew が逆効果になる
• tesseract 4.1 で縦書きが逆順になる
• 180° の傾きが直らない

バージョンによって挙動が変わるため、pip 版と docker 版を分けて表にしている点が実務的である。

同梱物と運用

• フォルダ監視（投入から 9秒で処理開始）
• 一括処理
• paperless-ngx 連携（取り込みが 2〜5倍速・二重 OCR の回避）
• 運用設計表
• トラブル36項目の対処表

書類管理側の受け皿として paperless-ngx の日本語導入キットと組み合わせる構成が示されており、日本語の全文検索や OCR 言語設定の罠はそちら側の課題として切り分けられている（japanese-search-gap）。

位置づけ

OSS を自社サーバーで動かし、日本語で実用になる水準まで持っていく「導入キット」群の一点（oss-japanese-localization、self-hosting、oss）。同じ書類読み取りでも、kocrwork が AI-OCR で注文書を読んで受注登録まで行うのに対し、本キットは既存 PDF に検索可能なテキスト層を埋めることに責務を絞っている。処理は決定的なコマンド群で構成され、判定を LLM に委ねない（deterministic-core）。

商品全体の一覧は kurage-products、販売の場は kurage-app-store を参照。

関連

• oss-japanese-localization
• measured-pitfall-catalog
• self-hosting
• japanese-search-gap
• paperless-ngx
• kocrwork
• kurage-app-store
• kurage-products