APIを使ってみよう(Google Vision API)

この記事で、GoogleドキュメントのOCR機能を使いました。

でも、Googleドライブにアップして、Googleドキュメントで開く、というのを毎回実行するのは手間です。

画像を渡したら、文字認識した結果だけ返してくれればいいんだけど。
もっと自動でできないもんかね？

という感じに、プログラムの「一部機能だけが欲しい」といったことはありませんか？膨大な機能の中の、一部だけが使いたい。付随する機能はいらん、と。

そこで、プログラムの提供側が「こんな風に呼び出してくれたら、一部分だけ実行してあげるよ」と、用意してくれるのがAPIです。※API→「Application Programming Interface」

GoogleドキュメントのOCR機能を切り出した部分のAPIは、
Google Vision APIとして提供されています。

Google.Cloud.Vision.V1 | Google.Cloud.Vision.V1

ドキュメントも提供されており、使い方とサンプルコードもあるので、使ってみましょう。

書いてある通りにやってれば、そんなに困ることはありません。
(英語はがんばって読む。)

文字認識させて、固まりの単位で文字として出力。合わせて、位置情報も取得。ということをやってみます。

この画像を入力にして。。。

このコードを書いて。。。

static void Main(string[] args)
{
    Environment.SetEnvironmentVariable("GOOGLE_APPLICATION_CREDENTIALS", 認証用ファイルのパス, EnvironmentVariableTarget.Process);

    // Load the image file into memory
    var image = Google.Cloud.Vision.V1.Image.FromFile(画像ファイルのパス);

    DetectDocumentText(image);
}

private static void DetectDocumentText(Google.Cloud.Vision.V1.Image image)
{
    ImageAnnotatorClient client = ImageAnnotatorClient.Create();
    TextAnnotation text = client.DetectDocumentText(image);

    //ページ単位の処理
    foreach (var page in text.Pages)
    {
        //ブロック単位の処理
        foreach (var block in page.Blocks)
        {
            //ブロックの位置情報を取得
            string box = string.Join(" - ", block.BoundingBox.Vertices.Select(v => $"({v.X}, {v.Y})"));

            //ブロック内の全文字をつなげる
            var value = string.Join("", block.Paragraphs.SelectMany(p => p.Words.SelectMany(w => w.Symbols.SelectMany(s => s.Text))));

            //認識結果を表示
            Console.WriteLine($"Block {block.BlockType} at {box} word {value}");
        }
    }
}

実行！

Block Text at (81, 54) - (333, 58) - (332, 94) - (80, 90) word 明日の天気は雨です。
Block Text at (219, 187) - (697, 187) - (697, 214) - (219, 214) word 東京発新函館北斗行きの、はやぶさ

はいい感じ。
位置情報も取れるのなら、あんなことやこんなことに使いようはありますね。
いろいろ使ってみよう。。。