複数ページPDF内の文字情報をAIOCRで読ませてファイルを自動リネームしてみた

2024年5月23日

本記事はAI OCRツール(AI JIMY Paperbot)とPythonを使って

電子帳簿保存法(電帳法)に対応した複数ページあるPDFを文字情報に基づいて

ファイルリネームを自動化する内容を紹介します。

はじめに

複数ページある帳票の中で１ページ分の情報に基づいて

「帳票種別_請求日_得意先名_合計金額.pdf」

のようなファイルを作る事を想定します。

PDF結合ツール作成

よくPDFの結合で他APIを使用して実現したというケースを見かけますが

有償のライセンスがないと使用できない事が多いです。

今回はPDF結合処理に費用をかけずに実現したい為、

簡単な結合ツールを作成します。

複数ページある帳票をAI OCRツール(AI JIMY Paperbot)から文字認識後

自動リネームすると図のようにページごとにファイルが分割されます。

これを下図のように、

・年月日時分秒

・元ファイル名

・テンプレート名

に基づいてファイル名情報が書いているファイルに結合します。

この結合処理をPythonを用いて自動化する仕組みを作ります。

下記のようなコードを作成しました。

import os
from PyPDF2 import PdfMerger

def merge_pdfs_in_folder(folder_path):
    # 結合後のPDFファイルを格納するサブフォルダのパス
    output_folder_path = os.path.join(folder_path, 'PDF結合後')
    if not os.path.exists(output_folder_path):
        os.makedirs(output_folder_path)
    
    # 結合前のPDFファイルを格納するサブフォルダのパス
    original_folder_path = os.path.join(folder_path, '結合前元データ')
    if not os.path.exists(original_folder_path):
        os.makedirs(original_folder_path)

    # ファイル名を辞書でグループ化
    pdf_groups = {}

    for filename in os.listdir(folder_path):
        if filename.endswith('.pdf'):
            parts = filename.split('_')
            timestamp_docname = '_'.join(parts[:2])  # 最初の2つの部分を「年月日時分秒_書類名」として取得
            unique_identifier = '_'.join(parts[2:])  # 残りの部分を「*****」として取得
            
            if timestamp_docname not in pdf_groups:
                pdf_groups[timestamp_docname] = {'base': None, 'others': []}
            
            # 「{」および「}」が含まれていないファイルをベースファイルとして保存
            if '{' not in filename and '}' not in filename:
                pdf_groups[timestamp_docname]['base'] = os.path.join(folder_path, filename)
            else:
                pdf_groups[timestamp_docname]['others'].append(os.path.join(folder_path, filename))
    
    # グループ化したファイルを結合
    for timestamp_docname, files in pdf_groups.items():
        base_file = files['base']
        other_files = files['others']

        if base_file is None:
            print(f'Base file for {timestamp_docname} not found, skipping.')
            continue

        merger = PdfMerger()
        merger.append(base_file)
        
        for pdf in other_files:
            merger.append(pdf)

        # ベースファイルのファイル名から出力ファイル名を生成
        base_filename = os.path.basename(base_file)
        output_filename = '_'.join(base_filename.split('_')[2:])
        output_path = os.path.join(output_folder_path, output_filename)
        
        # 同じファイル名がある場合に番号を付ける
        base, ext = os.path.splitext(output_filename)
        counter = 1
        while os.path.exists(output_path):
            output_filename = f"{base}({counter}){ext}"
            output_path = os.path.join(output_folder_path, output_filename)
            counter += 1
        
        merger.write(output_path)
        merger.close()
        print(f'Merged {timestamp_docname} into {output_path}')

        # 結合後、元のファイルを「結合前元データ」に移動
        files_to_move = [base_file] + other_files
        for file in files_to_move:
            new_location = os.path.join(original_folder_path, os.path.basename(file))
            os.rename(file, new_location)
            print(f'Moved {file} to {new_location}')

# ユーザーにフォルダパスを入力してもらう
folder_path = input("結合したいPDFファイルがあるフォルダのパスを入力してください: ")
merge_pdfs_in_folder(folder_path)

今回はAI OCRツール AI OCRツール(AI JIMY Paperbot)を用いますのでファイル名を

「PDF結合_AIJIMY用」としました。