情報技術演習Ⅰ
人文学研究のための情報技術入門
2015/04/30
担当:林晋
TA:橋本雄太
今回のテーマ
OCR の使い方
文書とOCR
• 「文書」という言葉には色々な意味があります.コンピュータ上では,
“aaa.txt”, “bbb.doc” などの文書がありますし,“20150430.ppt” というファ
イルも「PowerPoint の文書」と呼ばれることがあります.これらはSJIS,
Unicode などの文字コードで文を表現していますので,コード化文書と呼
べるでしょう(一般的用語がないので,林が作った言葉です).
• 紙の上のインクや看板上のペンキ,石碑上の凹み,などの物理的模様に
よる文書を物理的文書ということにしましょう.皆さんが見ているモニタ
(ディスプレィ)上の,この文書も物理的文書と言えるでしょう.
• また,物理的文書をデジカメで撮影して作った “aaa.jpg” “bbb.bmp”など
の電子画像を画像化文書(正確には電子画像化文書)と呼びましょう.
• OCR とは画像化文書をコード化文書に変換することだといえます.物理
的文書を画像化して画像化文書にするのにはデジカメやスキャナーを使
います.
幾つかの方法
• 今日は,自炊を行う幾つかの手段を実際に
やってもらいます.
• そして,その結果のPDFファイルとHTMLファイ
ルが提出すべき課題となります.
• 注意:自炊の方法はほかにも色々ある.しか
し,ここで紹介するのは典型的ケース.
自炊
• 大量の書物を読んでレポートを書く,卒論を書く,研究する場合,それが
Google Books の書籍のように検索できると大変便利
• また検索ができなくても,書籍がデジタル画像になっていれば,大量の本
を軽々ともち運ぶことができる.
• 本棚も不必要になり省スペースになる
• それらを可能にするのが,いわゆる自炊
• 本を解体したりして,スキャナーで電子画像にし,PDFファイルなどにまと
めることを自炊という.
• 注意!!!
– これは自分だけのためにやるのならば問題がないが,人に渡してしまったりすると著
作権侵害となる(らしい)ので注意!!
– これからやる演習の結果も,林への課題提出以外では,決して他人に渡してはいけま
せん
自炊のやり方を書いたWEBページ
• http://wikiwiki.jp/bookjisui/
• http://ushigyu.net/2012/03/01/jisui_q_and_a
_by_jisui_blogger/
• http://bizmakoto.jp/bizid/articles/1006/01/ne
ws031.html
• http://pc.watch.impress.co.jp/docs/topic/feat
ure/20110218_426830.html
専用ブックスキャナを使う方法
• 本をフラットベッドスキャナーと呼ばれる廉価なスキャナーで
スキャンして電子画像にしようとすると,厚い本の場合,真ん
中あたりが曲がってスキャンされる.
• また曲がるだけでなくて真ん中に黒い帯が入ってしまって,
文字が読めない場合もある.これはコピー機の場合と同じ.
• これを防ぐために,作られたブックスキャナと呼ばれるフラッ
トベッドスキャナーがあり,本の中央をスキャナの端にあてて
スキャンしてもコピーができる様に作られている.
– 普通のスキャナは,周りに余裕を持たせてあるので,そう
やると真ん中が欠けてスキャンされる.
長所と短所
• 長所
– 本を分解しないですむ.
• 不必要なら古本として売れば良い.
• 短所
– ページごとに上下が交代する.
– かなり手間がかかる.
– 本のスキャン用の特別なスキャナを買わなくては
ならない.
本を解体する方法
• 本を裁断して,ドキュメントスキャナという,文
書専用スキャナで読み込む.
• 長所と短所
– 短所:本がバラバラ.捨てることになる.
– 長所:裁断さえできれば,読み込み(スキャン)は
簡単かつ速い
– 短所:裁断は裁断機のよいものがない場合は大
変
裁断の事例集
•
•
•
•
•
•
•
http://www.youtube.com/watch?v=pYBLZUKB0Uw
http://www.youtube.com/watch?v=6D_6unB4X6c&feature=related
http://www.youtube.com/watch?v=RD2EmcgVRR8&feature=related
ディスクカッター
http://www.youtube.com/watch?v=wJ5Lefyx26E&feature=related
http://www.youtube.com/watch?v=G7i9E4XovMw&feature=related
置き場所にさえ困らなければ,比較的安い裁断機がある.
融合型:一度コピーする方法
• 普通のフラットベッド・スキャナは,コピー機に
比べて,一枚をスキャンする時間が長い.
• そこで本をコピーするときと同様,一度,コピ
ー機でコピーを作り,それをドキュメント・スキ
ャナにかけるという方法もあります.
• これは紙のコピーも作っておきたいときには
便利な方法ですが,コピー代がかかるという
短所があります.
オーバーヘッド・スキャナ
ScanSnap SV600 (1/4)
• 以上,紹介してきた方法で本,特に厚みのあ
る本をスキャンするのは,いずれにしてもか
なり大変でした.
• しかし,一昨年,オーバーヘッド・スキャナ
ScanSnap SV600 というものが発売されて,状
況が大きく変わりました.
• まず,そのデモ画像を見ます:
• https://www.youtube.com/watch?v=j9oeXiNqIDk
オーバーヘッド・スキャナ
ScanSnap SV600 (2/4)
• 撮影用無反射ガラスを使うと良い:押さえ指のソフトによる削除は面倒だ
し,指で両端を抑えたのでは,本中央の盛り上がりは抑えられず,そのた
めに画像がどうしても歪む. 無反射ガラスを使って,それで押さえて撮影
する方が良い結果が得られる. 今日の演習でも,無反射ガラスを使う.
• 無反射ガラスとは
– http://www.glass-dictionary.com/14/
– 写真撮影に良く使われるので,例えば,京都駅前のヨドバシカメラなどで簡単
に買える.
– ヨドバシのオンライショップでも: 半切りサイズで大抵の本や史料のスキャン
には十分.
– 透明アクリル板で代用できることもあるが,透明アクリル板は,天井灯の反射
が映り込むことが多い.
• ページめくり検出でなく,ボタンを一回一回押す方が実用的. ボタンは大
きく,苦にならず,おそらく,慣れると,その方が速い. 特に無反射ガラス
を使う場合はそう.
オーバーヘッド・スキャナ
ScanSnap SV600 (3/4)
• 長所
– 安い,小さい,軽い: 5万円台,210x156x383,3kg
• この様なスキャナは以前から業務用として販売されていました. し
かし,それは数十万円もする大きくて重い機械でした.
• それが個人でも買えて,何時もは,小さくしまっておけるようにな
り,調査旅行にも持っていける(キャリングケースがついている)
ようになったところが,歴史家の目からすると革命的なのです.
– 天井の照明の映り込みを気にしないで済む.
• 次回の「デジカメによる史料撮影の方法」の紹介で詳しく説明する
が,高精度史料撮影の最大の難関は,史料を押さえるために使
う無反射ガラスに,天井の照明が映り込んでしまうこと. これは特
に,出張して撮影するときに大きな問題となる.
• SV600は自ら発光してスキャンするので,天井の照明をオフにす
ることができる
オーバーヘッド・スキャナ
ScanSnap SV600 (4/4)
• 短所
– 不十分な精度: 個人で自炊するとか,歴史史料を撮影し
てきて研究する場合,つまり,自分だけのために撮影する
には,十分な精度がある. しかし,たとえば,京都学派ア
ーカイブのような公開されたアーカイブのための画像を作
る場合には,現在のWEBアーカイブに求められている画
像精度に達していない.
– スピード: 群馬大学図書館の田辺元史料で,昨年秋に,
林が実際にデジカメとSV600で撮影とスキャンをしてみた
ときの記録:林晋ブログ記事2013年11月18日
• デジカメ撮影より若干遅い. 現代史の研究者は,一日に数百の画
像を撮ることは普通. 千を超えることも珍しくはない. そういう場合
には遅すぎる.
実際にやってみよう
• 説明を完了した後,前に集まってもらいます.
• そして,まず,林と橋本がスキャン+OCR使用をやっ
てみせます.その後で,それぞれのPCに適当に分
かれて,各自,自分で実際にやってみてください.そ
れが今日の課題です.
• スキャナは2種類.2種類の両方をやってください.
おそらく時間が足りないと思いますが,その場合は
次回も,同じ演習を行います.
OCRは e-typist を使用
• OCR は二つのPCとも e-typist というソフトを使います.
– スキャナに自動的にOCRをかけさせる方法もあります.実際,
ScanSnapが作ったPDFファイルは自動的にOCRがかけられて検索可
能になっています.しかし,その精度が低いのと,また,これではOCR
がどんなものなのか分かりにくいので,今回はわざわざ e-typist に
PDFファイルを読ませる方法でテキスト化を行います.
• それぞれのPC+スキャナの周りに集まり, 林か橋本の説明
を聞いてください.
• どの順番でやっても構いませんが, 待ち時間を考慮してスキ
ャナを選択ください. 使い方の説明は必要に応じて繰り返し
ます.
課題(提出要):ScanSnap S1300i による自炊
• That Noble Dream を裁断したものを読み込みます.
– 裁断機は下手に使うと危ないので,既に裁断してあるものを使います.
– スキャナは,読み込みのスピードが少し遅いものの,従来のScanSnapに比べて,廉価(
二万円代),計量・小型でカバンに入れて持ち運びさえできる,小型スキャナ ScanSnap
S1300i を使います.
– 自分で文書を持ってきたひとは,自分がもってきたものでやって結構です.
•
ひとりあたり数ページをScanSnapでスキャンしてOCRでテキストにしてください.
– スキャンのためには, eTypist を使ってください.詳しい使い方は林か橋本が
説明します.
– 結果は何ページ読んだ場合でも,一つのテキストファイルにして,デスクトッ
プにある「情報技術演習提出用」というフォルダに置く. ただし,ファイル名を
• 自分の名前学籍番号.txt のようにしてください.
– 例えば,西田幾多郎0100243333.txt
• これで課題提出となります.
• OCRはかなり読みを間違います.この誤認識は気にしなくて結構です.
課題(提出要): ScanSnap SV600 での自炊
• こちらで用意した本(日本語)の,どこでもよいから,自分の好きなページ
を幾つかスキャンしてください.
– 自分で本や文書を持ってきたひとは,この本ではなくて,自分がもってきたものでやっ
て結構です.
•
ひとりあたり数ページを SV600 でスキャンしてOCR eTypist でテキストにしてくださ
い.
– 詳しい使い方は林か橋本が説明します.
– 結果は何ページ読んだ場合でも,一つのテキストファイルか HTMLファイルに
して,デスクトップにある「情報技術演習提出用」というフォルダに置く. ただ
し,ファイル名を
• 自分の名前学籍番号.txt のようにしてください.
– 例えば,西田幾多郎0100243333.txt
• これで課題提出となります.
• OCRはかなり読みを間違います.この誤認識は気にしなくて結構です.
無料でOCRを使う方法
• OCRのソフトはかなり安くなっていますが,それでも例えば etypist は2万円近くします.
• 短い文書でしたら,Google のクラウドサービスを使ってテキ
スト化することも可能です.
• また,日本語のCORで十分な精度のものがないものの,フリ
ーのツールを使うという方法もあります.たとえば,英語のフ
リーのOCRツールは調べればすぐに見つかりますし,後で演
習で使う情報・史料学専修で開発しているツールSMART-GS
を使えばグーグルが無料で配布しているOCRエンジン
Tesseract を使って,市販ソフトより高いと思われる精度で英
文をテキスト化できます.
• これらについては、後に学びます。
ダウンロード

2015.04.30