GithubHelp home page GithubHelp logo

fugumt-pdfocr's Introduction

Fugu-Machine Translator PDF/OCR対応

ぷるーふおぶこんせぷと で公開した機械翻訳エンジンを利用するPDF翻訳ソフトウェアです。

あくまで検証用の環境・ソフトウェアです。

Usage

翻訳サーバの実行

Dockerがセットアップされている場合、下記のように実行できます。

  1. git clone後、model/ 以下に「PDF/OCR用の機械翻訳モデルを作ってみた 」で配布されているモデルをダウンロード、展開
    • git clone http://github.com/s-taka/fugumt-pdfocr
    • wget https://fugumt.com/pdf_ocr_model.zip
    • sha1sum pdf_ocr_model.zip
      • ハッシュ値が 854d6b945fcf70ccde6bd1de212cfad4112d9606 であることを確認
    • unzip pdf_ocr_model.zip
    • 解凍した場所から移動 mv pdf_ocr_model/* fugumt-pdf/model
  2. Docker環境を構築
    • cd fugumt/docker
    • docker build -t pdf_translator .
      • ec2での実行を想定して「ec2-user」ユーザをuid:1000で作っています。環境に合わせて変更してください。
  3. コンテナを実行
    • homeディレクトリマウント先の作成(キャッシュ用)
      • mkdir /path/to/fugumt-pdfocr/docker_home
    • PDFMinerを使った翻訳
      • docker run --rm -it --gpus all -v /path/to/fugumt-pdfocr:/opt -v /path/to/fugumt-pdfocr/docker_home:/home/ec2-user --user 1000:1000 pdf_translator bash /opt/run_pdfminer.sh /opt/test.pdf
      • 「/path/to」は環境に合わせて変更してください。git cloneを行った先のディレクトリを指定する必要があります。
      • 「/opt/test.pdf」は翻訳対象のPDF名です。test.pdf.htmlなどファイル名の後に文字列がついたファイルが作成されます。.htmlで終わるファイルが翻訳結果です。
    • OCRを使った翻訳
      • docker run --rm -it --gpus all -v /path/to/fugumt-pdfocr:/opt -v /path/to/fugumt-pdfocr/docker_home:/home/ec2-user --user 1000:1000 pdf_translator bash /opt/run_ocr.sh /opt/test.pdf
      • 「/path/to」は環境に合わせて変更してください。git cloneを行った先のディレクトリを指定する必要があります。
      • 「/opt/test.pdf」は翻訳対象のPDF名です。test.pdf.ocr.htmlなどファイル名の後に文字列がついたファイルが作成されます。.htmlで終わるファイルが翻訳結果です。
      • このモードではタイトルの自動取得、アブストラクトの自動作成が行われますが、論文形式のPDF以外ではうまく生成されない可能性があります。

謝辞・ライセンス

本ソフトウェアは下記のライブラリ・ソフトウェアを利用しています。 またDockerfileに記載の通り、ubuntuで使用可能なパッケージを多数使用しています。 OSSとして素晴らしいソフトウェアを公開された方々に感謝いたします。

本ソフトウェアは研究用を目的に公開しています。 作者(Satoshi Takahashi)は本ソフトウェアの動作を保証せず、本ソフトウェアを使用して発生したあらゆる結果について一切の責任を負いません。 本ソフトウェア(Code)はMIT-Licenseです。

モデル作成では上記ソフトウェアに加え、下記のデータセット・ソフトウェアを使用しています。 オープンなライセンスでソフトウェア・データセットを公開された方々に感謝いたします。

PDFの通りモデルは研究用を目的にCC BY-SA 4.0で公開しています。 作者(Satoshi Takahashi)は本モデルの動作を保証せず、本モデルを使用して発生したあらゆる結果について一切の責任を負いません。

※ 出典を書く際はBlogのURL記載またはリンクをお願いします。 https://staka.jp/wordpress/

fugumt-pdfocr's People

Contributors

s-taka avatar

Recommend Projects

  • React photo React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo Django

    The Web framework for perfectionists with deadlines.

  • D3 photo D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo Microsoft

    Open source projects and samples from Microsoft.

  • Google photo Google

    Google ❤️ Open Source for everyone.

  • D3 photo D3

    Data-Driven Documents codes.