PDF文書解析、ドキュメントレイアウト解析 - ちょこっとメモ＠Wiki

表構造解析

評価方法

表構造解析の評価

PDFデータの基礎

PDFの座標系から変換

scale = 72 / dpi  # 1ピクセルは1/dpiインチ、PDFは1ポイント=1/72インチ、という計算

MinerU

MinerUを使うのにかなり苦戦したのでメモ（'26/aip）

• https://github.com/opendatalab/MinerU/tree/master#using-mineru

依存関係が強すぎてパッケージインストールは断念（半日くらい粘った）
一番早いのはReadmeに書いてある使い方のうちの一つであるMinerUのリポジトリを「git clone」して、「uv sync」して管理者権限PowerShellで

uv run mineru -p "C:\workspace(ファイルパス)" -o "C:\workspace\（出力先）" -b pipeline

するのが早い

Azure Document Intelligence

AnalyzeResult Class　https://learn.microsoft.com/ja-jp/dotnet/api/azure.ai.formrecognizer.documentanalysis.analyzeresult?view=azure-dotnet

その他

• [論文読み]LayoutLMv3整理　https://qiita.com/moufuyu/items/f2f15dd168bb7e74e0c6
• LayoutParserによるドキュメントレイアウトを意識したOCR解析　https://tech-blog.optim.co.jp/entry/2021/08/05/100000
• Document Layout Analysisに物体検出を利用したDocument Object Detectionのすゝめhttps://tech.layerx.co.jp/entry/2024/06/29/172922
• 【無料で使える】「 OCR 」ツールまとめ https://majisemi.com/topics/tool/2505/