Tesseract OCRで日本語を読み取る：精度を左右する設定とPDFの検索可能化

docker run -d --memory 1g --cpus 2 --name tesseract-ocr-japanese-pdf-lab --hostname nagoyadevlab01 ubuntu:26.04 sleep infinity

apt-get update -qq && DEBIAN_FRONTEND=noninteractive apt-get install -y -qq --no-install-recommends tesseract-ocr ocrmypdf imagemagick poppler-utils fonts-ipaexfont-mincho python3-pil python3-reportlab time curl ca-certificates >/dev/null 2>&1; echo "exit=$?"
exit=0
useradd -m -s /bin/bash ryoma && id ryoma
uid=1001(ryoma) gid=1001(ryoma) groups=1001(ryoma)
grep PRETTY_NAME /etc/os-release
PRETTY_NAME="Ubuntu 26.04.1 LTS"
tesseract --version | head -n 3
tesseract 5.5.0
 leptonica-1.86.0
  libgif 5.2.2 : libjpeg 8d (libjpeg-turbo 2.1.5) : libpng 1.6.57 : libtiff 4.7.0 : zlib 1.3.1 : libwebp 1.5.0 : libopenjp2 2.5.4
tesseract --list-langs
List of available languages in "/usr/share/tesseract-ocr/5/tessdata/" (2):
eng
osd
ocrmypdf --version; magick -version | head -n 1; gs --version; python3 --version
16.13.0+dfsg1
Version: ImageMagick 7.1.2-18 Q16 x86_64 23822 https://imagemagick.org
10.06.0
Python 3.14.4
dpkg-query -W tesseract-ocr tesseract-ocr-eng tesseract-ocr-osd libleptonica6 ocrmypdf ghostscript imagemagick poppler-utils fonts-ipaexfont-mincho python3-pil python3-reportlab perl-base time curl
curl	8.18.0-1ubuntu2.7
fonts-ipaexfont-mincho	00401-5ubuntu1
ghostscript	10.06.0~dfsg-3ubuntu1.1
imagemagick	8:7.1.2.18+dfsg1-1
libleptonica6:amd64	1.86.0-1
ocrmypdf	16.13.0+dfsg1-1
perl-base	5.40.1-7ubuntu0.3
poppler-utils	26.01.0-2ubuntu0.2
python3-pil:amd64	12.1.1-2ubuntu1.3
python3-reportlab	4.4.10-1
tesseract-ocr	5.5.0-1build1
tesseract-ocr-eng	1:4.1.0-2build1
tesseract-ocr-osd	1:4.1.0-2build1
time	1.9-0.4
apt-cache depends ocrmypdf | grep Recommends
  Recommends: unpaper
  Recommends: pngquant
  Recommends: jbig2

mkdir -p ~/ocr-lab && cd ~/ocr-lab
cat > make_images.py <<'EOF'
"""OCRの検証用画像と正解テキストを作る（文面はすべて架空の例）"""
import random

from PIL import Image, ImageDraw, ImageFont

FONT = "/usr/share/fonts/opentype/ipaexfont-mincho/ipaexm.ttf"
DPI = 300
A4 = (2480, 3508)   # A4を300dpiで取り込んだときのピクセル数
SIZE = 44           # 10.5ptの文字を300dpiで描いたときの大きさ（ピクセル）
PITCH = 72          # 行送り
font = ImageFont.truetype(FONT, SIZE)
big = ImageFont.truetype(FONT, 60)

TITLE = "社内ネットワーク機器更新のお知らせ"
PARAS = [
    "情報システム課では、本社3階のサーバー室にあるルーターとスイッチを、2026年11月14日（土）に新しい機種へ入れ替えます。"
    "作業は午前9時から午後5時までを予定しており、その間は有線LANとWi-Fiの両方が断続的に使えなくなります。",
    "当日に出社する予定の方は、前日までに所属と氏名を課の受付票へ記入してください。"
    "VPNで自宅から接続している方も、同じ時間帯は社内のファイルサーバーと勤怠システムに接続できません。"
    "急ぎの業務がある場合は、作業の前日までに必要なファイルを手元のPCへ保存しておいてください。",
    "入れ替えのあとは、会議室の無線アクセスポイントの名前が「KAIGI-5G」から「HQ-Meeting」に変わります。"
    "パスワードは変更しませんが、古い名前の設定はPCとスマートフォンから削除してください。"
    "接続できないときは、内線4021の窓口へ連絡をお願いします。",
]
TATE = ("拝啓　秋冷の候、皆様にはますますご健勝のこととお喜び申し上げます。"
        "さて、当社は創業三十周年を迎えるにあたり、十一月二十日に本社一階の展示室で記念の見学会を開きます。"
        "当日は製品の組立工程を公開し、担当の技術者が質問にお答えします。"
        "ご多用のところ恐縮ですが、ご来場をお待ちしております。　敬具")
LEFT = ("共有フォルダの整理について。部署ごとの共有フォルダは、年度の終わりに不要なファイルを削除します。"
        "三年以上更新のない資料は保管用の領域へ移し、契約書と議事録は原本の所在を台帳に記録してください。")
RIGHT = ("貸出用の機材について。プロジェクターとWebカメラは総務課の棚で管理しています。"
         "利用する前日までに予約表へ記入し、返却のときは付属のケーブルがそろっているかを確認してください。")
TABLE = [["品名", "数量", "単価（円）", "保管場所"],
         ["ノートPC", "12", "148,000", "第2倉庫"],
         ["液晶モニター", "8", "32,500", "第2倉庫"],
         ["ドッキングステーション", "6", "19,800", "3階書庫"],
         ["会議用スピーカー", "3", "27,000", "総務課"]]
LINE = "件名：サーバー室の空調設備点検に伴う停電のお知らせ"


def wrap(text, fits):
    """fits(行)が偽になる手前で折り返す。英数字の途中では切らず、行頭に句読点や閉じ括弧を置かない。"""
    lines, cur = [], ""
    for ch in text:
        keep = ch in "、。」）" or (ch.isascii() and cur[-1:].isascii())
        if cur and not fits(cur + ch) and not keep:
            lines.append(cur)
            cur = ""
        cur += ch
    return lines + [cur]


def save(img, name):
    img.save(name, dpi=(DPI, DPI))


def write(name, text):
    with open(name, "w", encoding="utf-8") as fh:
        fh.write(text + "\n")


# page.png: A4・横書き・明朝10.5pt相当
page = Image.new("L", A4, 255)
d = ImageDraw.Draw(page)
d.text((240, 300), TITLE, font=big, fill=0)
y = 480
for para in PARAS:
    for line in wrap(para, lambda s: font.getlength(s) <= 2000):
        d.text((240, y), line, font=font, fill=0)
        y += PITCH
    y += PITCH // 2
save(page, "page.png")
write("page.txt", "\n".join([TITLE] + PARAS))

# page-noise.png: 全画素の4%にあたる回数だけ、乱数で選んだ画素を白か黒に置き換える（乱数の種は固定）
rnd = random.Random(20261013)
noise = page.copy()
px = noise.load()
for _ in range(A4[0] * A4[1] * 4 // 100):
    px[rnd.randrange(A4[0]), rnd.randrange(A4[1])] = rnd.choice((0, 255))
save(noise, "page-noise.png")

# page-shade.png: 背景が左から右へ暗くなり、文字は背景より少し暗いだけ（影の入った写真の代役）
shade = Image.new("L", A4, 255)
sp, pp = shade.load(), page.load()
for yy in range(A4[1]):
    for xx in range(A4[0]):
        bg = 235 - 150 * xx // A4[0]
        sp[xx, yy] = bg if pp[xx, yy] > 128 else bg - 70
save(shade, "page-shade.png")

# tate.png: 縦書き（右の行から左へ）
tate = Image.new("L", (1500, 1700), 255)
d = ImageDraw.Draw(tate)
x = 1300
for line in wrap(TATE, lambda s: len(s) <= 30):
    d.text((x, 160), line, font=font, fill=0, direction="ttb")
    x -= PITCH + 12
save(tate, "tate.png")
write("tate.txt", TATE)

# two-col.png: 2段組み
col = Image.new("L", (2480, 900), 255)
d = ImageDraw.Draw(col)
for x0, text in ((240, LEFT), (1320, RIGHT)):
    y = 160
    for line in wrap(text, lambda s: font.getlength(s) <= 900):
        d.text((x0, y), line, font=font, fill=0)
        y += PITCH
save(col, "two-col.png")
write("two-col.txt", LEFT + "\n" + RIGHT)

# table.png: 罫線つきの表
tbl = Image.new("L", (2480, 800), 255)
d = ImageDraw.Draw(tbl)
y = 160
for row in TABLE:
    x = 240
    for w, cell in zip((1040, 220, 340, 400), row):
        d.rectangle([x, y, x + w, y + 96], outline=0, width=3)
        d.text((x + 24, y + 24), cell, font=font, fill=0)
        x += w
    y += 96
save(tbl, "table.png")
write("table.txt", "\n".join(" ".join(r) for r in TABLE))

# line.png: 1行だけを切り出した画像
one = Image.new("L", (int(font.getlength(LINE)) + 80, 100), 255)
ImageDraw.Draw(one).text((40, 28), LINE, font=font, fill=0)
save(one, "line.png")
write("line.txt", LINE)
EOF

python3 make_images.py && wc -c *.png
  10450 line.png
 569315 page-noise.png
  68647 page-shade.png
 167544 page.png
  38626 table.png
  74638 tate.png
  75834 two-col.png
1005054 total

magick page.png -resize 50% -units PixelsPerInch -density 150 page-150.png
magick page.png -resize 25% -units PixelsPerInch -density 75 page-75.png
for a in 1 2 3 5 10; do magick page.png -virtual-pixel white -distort SRT $a page-skew$a.png; done
magick line.png -trim +repage line-trim.png
magick identify -format '%f %wx%h\n' page.png page-150.png page-75.png page-skew2.png tate.png two-col.png table.png line.png line-trim.png
page.png 2480x3508
page-150.png 1240x1754
page-75.png 620x877
page-skew2.png 2480x3508
tate.png 1500x1700
two-col.png 2480x900
table.png 2480x800
line.png 1180x100
line-trim.png 1097x41

cat > cer.py <<'EOF'
"""文字誤り率（CER）= 編集距離 ÷ 正解の文字数。空白と改行は比べる前に取り除く。
使い方: python3 cer.py 正解.txt OCR結果.txt（- なら標準入力） [ラベル] [-v]"""
import difflib
import re
import sys

args = [a for a in sys.argv[1:] if a != "-v"]
raw = sys.stdin.buffer.read().decode("utf-8") if args[1] == "-" else open(args[1], encoding="utf-8").read()
ref = "".join(open(args[0], encoding="utf-8").read().split())
hyp = "".join(raw.split())

prev = list(range(len(hyp) + 1))
for i, a in enumerate(ref, 1):
    cur = [i]
    for j, b in enumerate(hyp, 1):
        cur.append(min(prev[j] + 1, cur[j - 1] + 1, prev[j - 1] + (a != b)))
    prev = cur
dist = prev[-1]

# gaps: 日本語の文字どうしの間に入った半角スペースの箇所の数
gaps = len(re.findall(r"(?<=[^\x00-\x7f]) +(?=[^\x00-\x7f])", raw))
label = args[2].ljust(18) if len(args) > 2 else ""
print(f"{label}CER={100 * dist / len(ref):.2f}% dist={dist} ref={len(ref)} hyp={len(hyp)} gaps={gaps}")
if "-v" in sys.argv:
    for tag, i1, i2, j1, j2 in difflib.SequenceMatcher(None, ref, hyp, autojunk=False).get_opcodes():
        if tag != "equal":
            print(f"  正解「{ref[max(i1 - 2, 0):i2 + 2]}」→ OCR「{hyp[max(j1 - 2, 0):j2 + 2]}」")
EOF

tesseract page.png out -l jpn; echo "exit=$?"
Error opening data file /usr/share/tesseract-ocr/5/tessdata/jpn.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to your "tessdata" directory.
Failed loading language 'jpn'
Tesseract couldn't load any languages!
Could not initialize tesseract.
exit=1

DEBIAN_FRONTEND=noninteractive apt-get install -y -qq --no-install-recommends tesseract-ocr-jpn tesseract-ocr-jpn-vert >/dev/null 2>&1; echo "exit=$?"
exit=0
tesseract --list-langs
List of available languages in "/usr/share/tesseract-ocr/5/tessdata/" (4):
eng
jpn
jpn_vert
osd
dpkg-query -W tesseract-ocr-jpn tesseract-ocr-jpn-vert
tesseract-ocr-jpn	1:4.1.0-2build1
tesseract-ocr-jpn-vert	1:4.1.0-2build1

tesseract page.png out -l jpn
cat out.txt
社内ネットワーク機和器更新のお知らせ

情報システム課では、本社3階のサーバー室にあるルーターとスイッチを、2026年11月14日 (土)
こ新しい機種へ入れ替えます。 作業は午前9時から午後5時までを予定しており、その間は有線LANと
Wi-Riの両方が断続的に使えなくなります。

当日に出社する予定の方は、前日までに所属と氏名を課の受付票へ記入してください。VPNで自宅か
ら接続している方も、同じ時間帯は社内のファイルサーバーと勤怠システムに接続できません。急ぎ
の業務がある場合は、作業の前日までに必要なファイルを手元のPCへ保存しておいてください。

入れ替えのあとは、会議室の無線アクセスポイントの名前が「KAIGI-5G」から「HQ-Meeting」 に
変わります。パスワードは変更しませんが、古い名前の設定はPCとスマートフォンから削除してくだ
さい。 接続できないときは、内線4021の窓口へ連絡をお願いします。
python3 cer.py page.txt out.txt -v
CER=1.25% dist=5 ref=400 hyp=401 gaps=3
  正解「ク機器更」→ OCR「ク機和器更」
  正解「4日（土）」→ OCR「4日(土)」
  正解「（土）に新し」→ OCR「(土)こ新し」
  正解「i-Fiの」→ OCR「i-Riの」

for f in page page-150 page-75; do tesseract $f.png - -l jpn 2>/dev/null | python3 cer.py page.txt - $f; done
page              CER=1.25% dist=5 ref=400 hyp=401 gaps=3
page-150          CER=1.50% dist=6 ref=400 hyp=398 gaps=2
page-75           CER=6.00% dist=24 ref=400 hyp=397 gaps=2
for a in 1 2 3 5 10; do tesseract page-skew$a.png - -l jpn 2>/dev/null | python3 cer.py page.txt - skew$a; done
skew1             CER=3.00% dist=12 ref=400 hyp=400 gaps=2
skew2             CER=6.00% dist=24 ref=400 hyp=396 gaps=15
skew3             CER=37.75% dist=151 ref=400 hyp=303 gaps=14
skew5             CER=74.75% dist=299 ref=400 hyp=274 gaps=4
skew10            CER=100.00% dist=400 ref=400 hyp=0 gaps=0
for f in page-noise page-shade; do tesseract $f.png - -l jpn 2>/dev/null | python3 cer.py page.txt - $f; done
page-noise        CER=29.25% dist=117 ref=400 hyp=340 gaps=19
page-shade        CER=60.75% dist=243 ref=400 hyp=217 gaps=2

magick page-150.png -resize 200% page-150-up.png
magick page-75.png -resize 400% page-75-up.png
for f in page-150-up page-75-up; do tesseract $f.png - -l jpn 2>/dev/null | python3 cer.py page.txt - $f; done
page-150-up       CER=0.75% dist=3 ref=400 hyp=400 gaps=3
page-75-up        CER=1.50% dist=6 ref=400 hyp=402 gaps=1

for d in 70 300 600; do tesseract page-75.png - -l jpn --dpi $d 2>/dev/null | python3 cer.py page.txt - page-75,dpi=$d; done
page-75,dpi=70    CER=6.00% dist=24 ref=400 hyp=397 gaps=2
page-75,dpi=300   CER=6.00% dist=24 ref=400 hyp=397 gaps=2
page-75,dpi=600   CER=35.00% dist=140 ref=400 hyp=301 gaps=6

for a in 1 2 3 5 10; do magick page-skew$a.png -deskew 40% +repage page-skew$a-fix.png; done
magick page.png -deskew 40% +repage page-fix.png
for a in 1 2 3 5 10; do tesseract page-skew$a-fix.png - -l jpn 2>/dev/null | python3 cer.py page.txt - skew$a-fix; done
skew1-fix         CER=0.50% dist=2 ref=400 hyp=400 gaps=4
skew2-fix         CER=1.00% dist=4 ref=400 hyp=400 gaps=2
skew3-fix         CER=1.00% dist=4 ref=400 hyp=401 gaps=2
skew5-fix         CER=1.00% dist=4 ref=400 hyp=400 gaps=3
skew10-fix        CER=21.25% dist=85 ref=400 hyp=347 gaps=20
tesseract page-fix.png - -l jpn 2>/dev/null | python3 cer.py page.txt - page-fix
page-fix          CER=1.25% dist=5 ref=400 hyp=401 gaps=3

for a in 2 3 5 10; do tesseract page-skew$a.png - -l jpn --psm 6 2>/dev/null | python3 cer.py page.txt - skew$a,psm=6; done
skew2,psm=6       CER=2.75% dist=11 ref=400 hyp=400 gaps=15
skew3,psm=6       CER=8.00% dist=32 ref=400 hyp=392 gaps=22
skew5,psm=6       CER=13.75% dist=55 ref=400 hyp=391 gaps=39
skew10,psm=6      CER=49.75% dist=199 ref=400 hyp=347 gaps=62

magick page-noise.png -statistic Median 3x3 page-noise-m3.png; magick page-noise.png -statistic Median 5x5 page-noise-m5.png; magick page-noise.png -despeckle page-noise-ds.png; magick page.png -statistic Median 3x3 page-m3.png
for f in page-noise-m3 page-noise-m5 page-noise-ds page-m3; do tesseract $f.png - -l jpn 2>/dev/null | python3 cer.py page.txt - $f; done
page-noise-m3     CER=6.00% dist=24 ref=400 hyp=397 gaps=5
page-noise-m5     CER=28.00% dist=112 ref=400 hyp=327 gaps=3
page-noise-ds     CER=19.50% dist=78 ref=400 hyp=376 gaps=16
page-m3           CER=5.75% dist=23 ref=400 hyp=407 gaps=2

magick page-shade.png -threshold 50% page-shade-t50.png; magick page-shade.png -lat 50x50-5% page-shade-lat.png; magick page.png -lat 50x50-5% page-lat.png; magick page-noise.png -lat 50x50-5% page-noise-lat.png
for f in page-shade-t50 page-shade-lat page-lat page-noise-lat; do tesseract $f.png - -l jpn 2>/dev/null | python3 cer.py page.txt - $f; done
page-shade-t50    CER=42.50% dist=170 ref=400 hyp=236 gaps=1
page-shade-lat    CER=1.75% dist=7 ref=400 hyp=401 gaps=3
page-lat          CER=1.00% dist=4 ref=400 hyp=400 gaps=4
page-noise-lat    CER=21.75% dist=87 ref=400 hyp=400 gaps=17

tesseract --print-parameters 2>/dev/null | grep -E '^(thresholding_method|preserve_interword_spaces|tessedit_load_sublangs)'
thresholding_method	0	Thresholding method: 0 = Otsu, 1 = LeptonicaOtsu, 2 = Sauvola
preserve_interword_spaces	0	Preserve multiple interword spaces
tessedit_load_sublangs		List of languages to load with this one
for m in 0 1 2; do tesseract page-shade.png - -l jpn -c thresholding_method=$m 2>/dev/null | python3 cer.py page.txt - method=$m; done
method=0          CER=60.75% dist=243 ref=400 hyp=217 gaps=2
method=1          CER=54.50% dist=218 ref=400 hyp=379 gaps=14
method=2          CER=49.25% dist=197 ref=400 hyp=389 gaps=2

tesseract --help-psm
Page segmentation modes (PSM):
  0|osd_only                Orientation and script detection (OSD) only.
  1|auto_osd                Automatic page segmentation with OSD.
  2|auto_only               Automatic page segmentation, but no OSD, or OCR. (not implemented)
  3|auto                    Fully automatic page segmentation, but no OSD. (Default)
  4|single_column           Assume a single column of text of variable sizes.
  5|single_block_vert_text  Assume a single uniform block of vertically aligned text.
  6|single_block            Assume a single uniform block of text.
  7|single_line             Treat the image as a single text line.
  8|single_word             Treat the image as a single word.
  9|circle_word             Treat the image as a single word in a circle.
 10|single_char             Treat the image as a single character.
 11|sparse_text             Sparse text. Find as much text as possible in no particular order.
 12|sparse_text_osd         Sparse text with OSD.
 13|raw_line                Raw line. Treat the image as a single text line,
                            bypassing hacks that are Tesseract-specific.

for p in 3 4 6; do tesseract two-col.png - -l jpn --psm $p 2>/dev/null | python3 cer.py two-col.txt - two-col,psm=$p; done
two-col,psm=3     CER=0.00% dist=0 ref=184 hyp=184 gaps=2
two-col,psm=4     CER=77.17% dist=142 ref=184 hyp=184 gaps=9
two-col,psm=6     CER=77.17% dist=142 ref=184 hyp=184 gaps=7
tesseract two-col.png - -l jpn --psm 6 2>/dev/null | head -n 2
共有フォルダの整理について。部署ごとの共      貸出用の機材について。 プロジェクターとWeb
有フォルダは、年度の終わりに不要なファイ            カメラは総務課の棚で管理しています。 利用

for p in 3 4 6 11; do tesseract table.png - -l jpn --psm $p 2>/dev/null | python3 cer.py table.txt - table,psm=$p; done
table,psm=3       CER=4.55% dist=4 ref=88 hyp=89 gaps=2
table,psm=4       CER=2.27% dist=2 ref=88 hyp=88 gaps=2
table,psm=6       CER=96.59% dist=85 ref=88 hyp=19 gaps=0
table,psm=11      CER=9.09% dist=8 ref=88 hyp=84 gaps=1
tesseract table.png - -l jpn --psm 4 2>/dev/null
品名                                                                          数量          単価 (円)            保管場所

ノートPC                                                    12           148,000          第2倉庫
液晶モニター                                         8          32,500          第2倉庫
ドッキングステーション                  6      19,800      3階書庫

会議用スピーカー                              3         27,000         総務課
tesseract table.png - -l jpn --psm 6 2>/dev/null
les ーー ss [sw
Ipクー sw [ww
tesseract table.png - -l jpn 2>/dev/null | python3 cer.py table.txt - table,psm=3 -v
table,psm=3       CER=4.55% dist=4 ref=88 hyp=89 gaps=2
  正解「単価（円）」→ OCR「単価(円)」
  正解「（円）保管」→ OCR「(円)保管」
  正解「8,00」→ OCR「8,.00」
  正解「27,00」→ OCR「27.00」

magick line-trim.png -bordercolor white -border 10 line-border.png
for f in line line-trim line-border; do for p in 3 7; do tesseract $f.png - -l jpn --psm $p 2>/dev/null | python3 cer.py line.txt - $f,psm=$p; done; done
line,psm=3        CER=4.00% dist=1 ref=25 hyp=25 gaps=0
line,psm=7        CER=4.00% dist=1 ref=25 hyp=25 gaps=0
line-trim,psm=3   CER=100.00% dist=25 ref=25 hyp=0 gaps=0
line-trim,psm=7   CER=4.00% dist=1 ref=25 hyp=25 gaps=1
line-border,psm=3 CER=4.00% dist=1 ref=25 hyp=25 gaps=0
line-border,psm=7 CER=4.00% dist=1 ref=25 hyp=25 gaps=0

for l in jpn jpn+eng eng+jpn; do tesseract page.png - -l $l 2>/dev/null | python3 cer.py page.txt - $l; done
jpn               CER=1.25% dist=5 ref=400 hyp=401 gaps=3
jpn+eng           CER=1.50% dist=6 ref=400 hyp=401 gaps=3
eng+jpn           CER=6.00% dist=24 ref=400 hyp=402 gaps=232
tesseract page.png - -l eng+jpn 2>/dev/null | head -n 3
ALAA Y bY BSc LOT O BA 6 tf

情報 シス テム 課 で は 、 本 社 3 階 の サー バー 室 に ある ルー ター と スイ ッ チ を 、2026 年 11 月 14 日 (+)

for l in jpn jpn_vert; do for p in 3 5; do tesseract tate.png - -l $l --psm $p 2>/dev/null | python3 cer.py tate.txt - $l,psm=$p; done; done
jpn,psm=3         CER=98.59% dist=140 ref=142 hyp=144 gaps=6
jpn,psm=5         CER=97.89% dist=139 ref=142 hyp=138 gaps=5
jpn_vert,psm=3    CER=2.82% dist=4 ref=142 hyp=143 gaps=110
jpn_vert,psm=5    CER=2.11% dist=3 ref=142 hyp=143 gaps=110
tesseract tate.png - -l jpn 2>/dev/null | head -n 2
蛇約 証G部。 親紅り8叱必生)趣訟@〇りう) 舞和や下つ雪生
8屋” のゆり^ 基層8蛋半1川十臣時的漠RXG選答記” 十] 下日十ロ
tesseract tate.png - -l jpn_vert --psm 5 2>/dev/null | head -n 2
拝 嘱 秋 冷 の 候 、 上 皆様 に は ます ます ご 健勝 の こと と お 喜び 申し 上 げ
ます 。 さ て 、 当 社 は 創業 三 十 周 年 を 迎え る に あたり 、 十 一 月 二 十 日

curl -fsSL --create-dirs -o tessdata-best/jpn.traineddata https://github.com/tesseract-ocr/tessdata_best/raw/4.1.0/jpn.traineddata
curl -fsSL -o tessdata-best/jpn_vert.traineddata https://github.com/tesseract-ocr/tessdata_best/raw/4.1.0/jpn_vert.traineddata
curl -fsSL --create-dirs -o tessdata-fast/jpn.traineddata https://github.com/tesseract-ocr/tessdata_fast/raw/4.1.0/jpn.traineddata
sha256sum tessdata-best/jpn.traineddata tessdata-best/jpn_vert.traineddata tessdata-fast/jpn.traineddata /usr/share/tesseract-ocr/5/tessdata/jpn.traineddata
36bdf9ac823f5911e624c30d0553e890b8abc7c31a65b3ef14da943658c40b79  tessdata-best/jpn.traineddata
1258be6eb2a9851f18043234ad18cca13ed32690bfff62b335c898bbea371548  tessdata-best/jpn_vert.traineddata
1f5de9236d2e85f5fdf4b3c500f2d4926f8d9449f28f5394472d9e8d83b91b4d  tessdata-fast/jpn.traineddata
1f5de9236d2e85f5fdf4b3c500f2d4926f8d9449f28f5394472d9e8d83b91b4d  /usr/share/tesseract-ocr/5/tessdata/jpn.traineddata
wc -c tessdata-best/jpn.traineddata tessdata-best/jpn_vert.traineddata /usr/share/tesseract-ocr/5/tessdata/jpn.traineddata /usr/share/tesseract-ocr/5/tessdata/jpn_vert.traineddata
14330109 tessdata-best/jpn.traineddata
14330809 tessdata-best/jpn_vert.traineddata
 2471260 /usr/share/tesseract-ocr/5/tessdata/jpn.traineddata
 3037480 /usr/share/tesseract-ocr/5/tessdata/jpn_vert.traineddata
34169658 total

for i in 1 2 3; do /usr/bin/time -f '%e秒 %MKB' tesseract page.png t -l jpn; done
7.09秒 91444KB
1.99秒 91448KB
2.49秒 91512KB
for i in 1 2 3; do /usr/bin/time -f '%e秒 %MKB' tesseract --tessdata-dir tessdata-best page.png t -l jpn; done
19.95秒 174572KB
11.40秒 174648KB
12.50秒 174536KB

for f in page page-150 page-75; do tesseract --tessdata-dir tessdata-best $f.png - -l jpn 2>/dev/null | python3 cer.py page.txt - $f; done
page              CER=1.00% dist=4 ref=400 hyp=400 gaps=244
page-150          CER=1.25% dist=5 ref=400 hyp=399 gaps=240
page-75           CER=3.50% dist=14 ref=400 hyp=397 gaps=241
for a in 1 2 3 5 10; do tesseract --tessdata-dir tessdata-best page-skew$a.png - -l jpn 2>/dev/null | python3 cer.py page.txt - skew$a; done
skew1             CER=1.25% dist=5 ref=400 hyp=399 gaps=236
skew2             CER=1.75% dist=7 ref=400 hyp=401 gaps=246
skew3             CER=58.25% dist=233 ref=400 hyp=174 gaps=115
skew5             CER=96.00% dist=384 ref=400 hyp=17 gaps=11
skew10            CER=100.00% dist=400 ref=400 hyp=0 gaps=0
for f in page-noise page-shade; do tesseract --tessdata-dir tessdata-best $f.png - -l jpn 2>/dev/null | python3 cer.py page.txt - $f; done
page-noise        CER=11.25% dist=45 ref=400 hyp=399 gaps=235
page-shade        CER=60.00% dist=240 ref=400 hyp=222 gaps=162
for f in two-col table tate line; do tesseract $f.png - -l jpn 2>/dev/null | python3 cer.py $f.txt - $f; done
two-col           CER=0.00% dist=0 ref=184 hyp=184 gaps=2
table             CER=4.55% dist=4 ref=88 hyp=89 gaps=2
tate              CER=98.59% dist=140 ref=142 hyp=144 gaps=6
line              CER=4.00% dist=1 ref=25 hyp=25 gaps=0
for f in two-col table tate line; do tesseract --tessdata-dir tessdata-best $f.png - -l jpn 2>/dev/null | python3 cer.py $f.txt - $f; done
two-col           CER=0.00% dist=0 ref=184 hyp=184 gaps=130
table             CER=3.41% dist=3 ref=88 hyp=89 gaps=20
tate              CER=1.41% dist=2 ref=142 hyp=142 gaps=109
line              CER=4.00% dist=1 ref=25 hyp=25 gaps=14

combine_tessdata -e /usr/share/tesseract-ocr/5/tessdata/jpn.traineddata /tmp/jpn.config >/dev/null 2>&1; cat /tmp/jpn.config
#Fixes https://github.com/tesseract-ocr/tesseract/issues/988
preserve_interword_spaces 1
combine_tessdata -e /usr/share/tesseract-ocr/5/tessdata/jpn_vert.traineddata /tmp/jpn_vert.config 2>&1 | tail -n 1
Not extracting /tmp/jpn_vert.config, since this component is not present
combine_tessdata -e tessdata-best/jpn.traineddata /tmp/best.config >/dev/null 2>&1; grep -c '' /tmp/best.config; grep -n -E 'sublangs|interword' /tmp/best.config
63
1:tessedit_load_sublangs jpn_vert

for v in 0 1; do tesseract page.png - -l jpn -c preserve_interword_spaces=$v 2>/dev/null | python3 cer.py page.txt - jpn,$v; done
jpn,0             CER=1.25% dist=5 ref=400 hyp=401 gaps=244
jpn,1             CER=1.25% dist=5 ref=400 hyp=401 gaps=3
tesseract page.png - -l jpn -c preserve_interword_spaces=0 2>/dev/null | head -n 3
社内 ネッ トワ ー ク 機 和 器 更新 の お 知ら せ

情報 シス テム 課 で は 、 本 社 3 階 の サー バー 室 に ある ルー ター と スイ ッ チ を 、2026 年 11 月 14 日 ( 土 )
for v in 0 1; do tesseract tate.png - -l jpn_vert --psm 5 -c preserve_interword_spaces=$v 2>/dev/null | python3 cer.py tate.txt - jpn_vert,$v; done
jpn_vert,0        CER=2.11% dist=3 ref=142 hyp=143 gaps=110
jpn_vert,1        CER=2.11% dist=3 ref=142 hyp=143 gaps=2
for v in 0 1; do tesseract --tessdata-dir tessdata-best page.png - -l jpn -c preserve_interword_spaces=$v 2>/dev/null | python3 cer.py page.txt - best,$v; done
best,0            CER=1.00% dist=4 ref=400 hyp=400 gaps=244
best,1            CER=1.00% dist=4 ref=400 hyp=400 gaps=0

tesseract tate.png - -l jpn_vert --psm 5 2>/dev/null | perl -CSD -pe 's/(?<=[^\x00-\x7f]) +(?=[^\x00-\x7f])//g' | python3 cer.py tate.txt - jpn_vert+perl
jpn_vert+perl     CER=2.11% dist=3 ref=142 hyp=143 gaps=0
tesseract table.png - -l jpn --psm 4 -c preserve_interword_spaces=0 2>/dev/null | grep -v '^$'
品名 数 量 単価 (円 ) 保管 場所
ノー ト PC 12 148,000 第 2 倉庫
液晶 モニ ター 8 32,500 第 2 倉庫
ドッ キン グ ス テ ーション 6 19,800 3 階 書庫
会 議 用 スピ ー カ ー 3 27,000 総務 課
tesseract table.png - -l jpn --psm 4 -c preserve_interword_spaces=0 2>/dev/null | perl -CSD -pe 's/(?<=[^\x00-\x7f]) +(?=[^\x00-\x7f])//g' | grep -v '^$'
品名数量単価 (円 ) 保管場所
ノート PC 12 148,000 第 2 倉庫
液晶モニター 8 32,500 第 2 倉庫
ドッキングステーション 6 19,800 3 階書庫
会議用スピーカー 3 27,000 総務課

magick page.png -quality 85 page.jpg; magick page-skew2.png -quality 85 page-skew2.jpg
cat > make_pdf.py <<'EOF'
"""検証用PDFを作る: scan.pdf（JPEG画像だけの2ページ）と mixed.pdf（1ページ目は文字データ、2ページ目はJPEG画像）"""
from reportlab.lib.pagesizes import A4
from reportlab.pdfbase import pdfmetrics
from reportlab.pdfbase.ttfonts import TTFont
from reportlab.pdfgen import canvas

pdfmetrics.registerFont(TTFont("IPAexMincho", "/usr/share/fonts/opentype/ipaexfont-mincho/ipaexm.ttf"))
W, H = A4

# scan.pdf: スキャナーが出すPDFの代役。1ページ目はまっすぐ、2ページ目は2度傾いている
c = canvas.Canvas("scan.pdf", pagesize=A4, invariant=1)
for jpg in ("page.jpg", "page-skew2.jpg"):
    c.drawImage(jpg, 0, 0, width=W, height=H)
    c.showPage()
c.save()

# mixed.pdf: 1ページ目はフォントを埋め込んだ文字データ（page.txtと同じ文面）、2ページ目はスキャン画像
c = canvas.Canvas("mixed.pdf", pagesize=A4, invariant=1)
c.setFont("IPAexMincho", 10.5)
y = H - 72
for para in open("page.txt", encoding="utf-8").read().splitlines():
    for i in range(0, len(para), 44):
        c.drawString(58, y, para[i:i + 44])
        y -= 17
    y -= 9
c.showPage()
c.drawImage("page.jpg", 0, 0, width=W, height=H)
c.showPage()
c.save()
EOF

python3 make_pdf.py && wc -c page.jpg page-skew2.jpg scan.pdf mixed.pdf
 306806 page.jpg
 291414 page-skew2.jpg
 657750 scan.pdf
 399055 mixed.pdf
1655025 total
pdfimages -list scan.pdf
page   num  type   width height color comp bpc  enc interp  object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
   1     0 image    2480  3508  gray    1   8  jpeg   no         3  0   300   300  329K 3.9%
   2     1 image    2480  3508  gray    1   8  jpeg   no         5  0   300   300  311K 3.7%
pdffonts scan.pdf; pdftotext scan.pdf - | wc -c
name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
Helvetica                            Type 1            WinAnsi          no  no  no       2  0
2

tesseract scan.pdf out -l jpn; echo "exit=$?"
Error in pixReadStream: Pdf reading is not supported
Leptonica Error in pixRead: pix not read: scan.pdf
Error during processing.
exit=1

ocrmypdf -l jpn scan.pdf scan-pdfa.pdf
Ghostscript 10.6.x contains JPEG encoding errors that may corrupt images. OCRmyPDF will attempt to mitigate, but this version is strongly not recommended. Please upgrade to a newer version. As of 2025-12, 10.6.0 is the latest version of Ghostscript.
Start processing 2 pages concurrently
Postprocessing...
Image optimization ratio: 1.39 savings: 28.0%
Total file size ratio: 1.48 savings: 32.4%
Output file is a PDF/A-2b (as expected)

ocrmypdf -l jpn --output-type pdf scan.pdf scan-ocr.pdf
Start processing 2 pages concurrently
Postprocessing...
Image optimization ratio: 1.00 savings: 0.0%
Total file size ratio: 0.98 savings: -1.5%
wc -c scan.pdf scan-pdfa.pdf scan-ocr.pdf
 657750 scan.pdf
 444292 scan-pdfa.pdf
 667634 scan-ocr.pdf
1769676 total
for i in 1 2 3; do /usr/bin/time -f '%e秒 %MKB' ocrmypdf -q -l jpn --output-type pdf scan.pdf rep-$i.pdf; done; wc -c rep-1.pdf rep-2.pdf rep-3.pdf
2.90秒 101668KB
2.91秒 101948KB
2.92秒 102296KB
 667637 rep-1.pdf
 667636 rep-2.pdf
 667638 rep-3.pdf
2002911 total
pdfimages -all scan.pdf img-in; pdfimages -all scan-pdfa.pdf img-pdfa; pdfimages -all scan-ocr.pdf img-ocr; sha256sum img-*.jpg; wc -c img-*.jpg
69e2e7308a608bad39cd13ffb8a60ac67a8f4329cebffa32ffe57a2b8ffa86bd  img-in-000.jpg
9334119d50fb08b37296d56b9c3d1e1e10909d26aeb659833b588b0a6f819b2e  img-in-001.jpg
69e2e7308a608bad39cd13ffb8a60ac67a8f4329cebffa32ffe57a2b8ffa86bd  img-ocr-000.jpg
9334119d50fb08b37296d56b9c3d1e1e10909d26aeb659833b588b0a6f819b2e  img-ocr-001.jpg
0c7ad11a94a472ce74e86002752f086304ee051aeae245245692d2cb79b2cf3e  img-pdfa-000.jpg
51bb3c89395828f07e3159d6052a74355f0eeb983e6f4f52b83da9baf1d7236b  img-pdfa-001.jpg
 306806 img-in-000.jpg
 291414 img-in-001.jpg
 306806 img-ocr-000.jpg
 291414 img-ocr-001.jpg
 268454 img-pdfa-000.jpg
 256145 img-pdfa-001.jpg
1721039 total
pdffonts scan-ocr.pdf
name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
Helvetica                            Type 1            WinAnsi          no  no  no       7  0
GlyphLessFont                        CID TrueType      Identity-H       yes no  yes      8  0

for p in 1 2; do pdftotext -f $p -l $p scan-ocr.pdf - | python3 cer.py page.txt - p$p; pdftotext -raw -f $p -l $p scan-ocr.pdf - | python3 cer.py page.txt - p$p,-raw; done
p1                CER=3.75% dist=15 ref=400 hyp=399 gaps=167
p1,-raw           CER=1.75% dist=7 ref=400 hyp=399 gaps=156
p2                CER=42.75% dist=171 ref=400 hyp=366 gaps=153
p2,-raw           CER=17.50% dist=70 ref=400 hyp=366 gaps=152
pdftotext -f 1 -l 1 scan-ocr.pdf - | head -n 4; pdftotext -raw -f 1 -l 1 scan-ocr.pdf - | head -n 2
社内 ネッ トワ

せ
更新のお 知ら
社内 ネッ トワ ー ク 機器 更新のお 知ら せ
情報 システム 課では、 本 社 3 階 の サーバー 室 にある ルー ター と スイ ッ チ を 、2026 年11月 14 日 ( 土 )

pdftotext -raw scan-ocr.pdf - | grep -c 接続できません; pdftotext -raw scan-ocr.pdf - | grep 勤怠
0
ら 接続 している 方 も、同 じ 時 間 帯は 社内 の ファイルサーバー と 勤怠システム に 接続 できま せん 。 急ぎ
pdftotext -raw scan-ocr.pdf - | perl -CSD -pe 's/(?<=[^\x00-\x7f]) +(?=[^\x00-\x7f])//g' | grep -c 接続できません
1

ocrmypdf -l jpn --output-type pdf --deskew --sidecar scan-deskew.txt scan.pdf scan-deskew.pdf
Start processing 2 pages concurrently
Postprocessing...
Image optimization ratio: 1.00 savings: 0.0%
Total file size ratio: 0.76 savings: -31.6%
wc -c scan-ocr.pdf scan-deskew.pdf; pdfimages -list scan-deskew.pdf
 667634 scan-ocr.pdf
 865410 scan-deskew.pdf
1533044 total
page   num  type   width height color comp bpc  enc interp  object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
   1     0 image    2480  3508  icc     1   8  image  no        12  0   300   300  402K 4.7%
   2     1 image    2480  3508  icc     1   8  image  no        15  0   300   300  427K 5.0%
for p in 1 2; do pdftotext -raw -f $p -l $p scan-deskew.pdf - | python3 cer.py page.txt - deskew,p$p; done
deskew,p1         CER=0.75% dist=3 ref=400 hyp=399 gaps=156
deskew,p2         CER=1.00% dist=4 ref=400 hyp=400 gaps=150
pdftotext -raw scan-deskew.pdf - | perl -CSD -pe 's/(?<=[^\x00-\x7f]) +(?=[^\x00-\x7f])//g' | grep -c 接続できません; grep -c 接続できません scan-deskew.txt
2
2

pdffonts mixed.pdf
name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
Helvetica                            Type 1            WinAnsi          no  no  no       2  0
AAAAAA+IPAexMincho                   TrueType          WinAnsi          yes yes yes      9  0
ocrmypdf -l jpn --output-type pdf mixed.pdf mixed-ocr.pdf; echo "exit=$?"
Start processing 2 pages concurrently
PriorOcrFoundError: page already has text! - aborting (use --force-ocr to force OCR;  see also help for the arguments --skip-text and --redo-ocr
exit=6

ocrmypdf -l jpn --output-type pdf --skip-text --sidecar mixed-skip.txt mixed.pdf mixed-skip.pdf
Start processing 2 pages concurrently
    1 skipping all processing on this page
Postprocessing...
Image optimization ratio: 1.00 savings: 0.0%
Total file size ratio: 0.99 savings: -0.9%
ocrmypdf -l jpn --output-type pdf --force-ocr mixed.pdf mixed-force.pdf
Start processing 2 pages concurrently
    1 page already has text! - rasterizing text and running OCR anyway
    1 GPL Ghostscript 10.06.0 (2025-09-09)
Copyright (C) 2025 Artifex Software, Inc.  All rights reserved.
This software is supplied under the GNU AGPLv3 and comes with NO WARRANTY:
see the file COPYING for details.
…（省略）…
Postprocessing...
Image optimization ratio: 1.00 savings: 0.0%
Total file size ratio: 0.86 savings: -16.3%
wc -c mixed.pdf mixed-skip.pdf mixed-force.pdf
 399055 mixed.pdf
 402240 mixed-skip.pdf
 463688 mixed-force.pdf
1264983 total
for f in mixed mixed-skip mixed-force; do for p in 1 2; do pdftotext -raw -f $p -l $p $f.pdf - | python3 cer.py page.txt - $f,p$p; done; done
mixed,p1          CER=0.00% dist=0 ref=400 hyp=400 gaps=0
mixed,p2          CER=100.00% dist=400 ref=400 hyp=0 gaps=0
mixed-skip,p1     CER=0.00% dist=0 ref=400 hyp=400 gaps=0
mixed-skip,p2     CER=1.75% dist=7 ref=400 hyp=399 gaps=156
mixed-force,p1    CER=1.50% dist=6 ref=400 hyp=401 gaps=169
mixed-force,p2    CER=1.75% dist=7 ref=400 hyp=399 gaps=156
pdffonts mixed-skip.pdf; pdffonts mixed-force.pdf
name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
Helvetica                            Type 1            WinAnsi          no  no  no       7  0
AAAAAA+IPAexMincho                   TrueType          WinAnsi          yes yes yes      8  0
GlyphLessFont                        CID TrueType      Identity-H       yes no  yes      9  0
name                                 type              encoding         emb sub uni object ID
------------------------------------ ----------------- ---------------- --- --- --- ---------
GlyphLessFont                        CID TrueType      Identity-H       yes no  yes      7  0
pdfimages -list mixed-force.pdf
page   num  type   width height color comp bpc  enc interp  object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
   1     0 image    3307  4677  icc     1   1  image  no        12  0   400   400 60.0K 3.2%
   2     1 image    2480  3508  icc     1   8  image  no        15  0   300   300  378K 4.4%
tr '\f' '\n' < mixed-skip.txt | head -n 3
[OCR skipped on page(s) 1]
社内ネットワーク機器更新のお知らせ

tesseract --tessdata-dir tessdata-best page.png out-best -l jpn+eng; echo "exit=$?"
Error opening data file tessdata-best/eng.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to your "tessdata" directory.
Failed loading language 'eng'
exit=0
python3 cer.py page.txt out-best.txt
CER=1.00% dist=4 ref=400 hyp=400 gaps=244
mkdir best-only && cp tessdata-best/jpn.traineddata best-only/ && tesseract --tessdata-dir best-only page.png out-only -l jpn; echo "exit=$?"
Error opening data file best-only/jpn_vert.traineddata
Please make sure the TESSDATA_PREFIX environment variable is set to your "tessdata" directory.
Failed loading language 'jpn_vert'
exit=0

tesseract line-trim.png out-line -l jpn; echo "exit=$?"; wc -c out-line.txt
Detected 20 diacritics
Empty page!!
Detected 20 diacritics
Empty page!!
exit=0
0 out-line.txt
tesseract page-skew10.png out-skew10 -l jpn; echo "exit=$?"; wc -c out-skew10.txt
Empty page!!
Empty page!!
exit=0
0 out-skew10.txt

magick page.png -strip page-nodpi.png; magick identify -format '%f %U\n' page.png page-nodpi.png
page.png PixelsPerCentimeter
page-nodpi.png Undefined
tesseract page-nodpi.png - -l jpn | python3 cer.py page.txt - nodpi
Estimating resolution as 437
nodpi             CER=1.25% dist=5 ref=400 hyp=401 gaps=3

ocrmypdf -l jpn --output-type pdf page-nodpi.png nodpi.pdf; echo "exit=$?"
Input file is not a PDF, checking if it is an image...
Input file is an image
Image size: (2480, 3508)
DpiError: Input file is an image, but has no resolution (DPI) in its metadata.  Estimate the resolution at which image was scanned and specify it using --image-dpi.
exit=2
ocrmypdf -l jpn --output-type pdf --image-dpi 300 page-nodpi.png nodpi.pdf; echo "exit=$?"
Input file is not a PDF, checking if it is an image...
Input file is an image
Image seems valid. Try converting to PDF...
Successfully converted to PDF, processing...
Postprocessing...
Image optimization ratio: 1.00 savings: 0.0%
Total file size ratio: 0.97 savings: -2.9%
exit=0
pdftotext -raw nodpi.pdf - | python3 cer.py page.txt - nodpi.pdf
nodpi.pdf         CER=1.25% dist=5 ref=400 hyp=401 gaps=154

tesseract --list-langs
List of available languages in "/usr/share/tesseract-ocr/5/tessdata/" (4):
eng
jpn
jpn_vert
osd
tesseract page.png - -l jpn 2>/dev/null | head -n 4
社内ネットワーク機和器更新のお知らせ

情報システム課では、本社3階のサーバー室にあるルーターとスイッチを、2026年11月14日 (土)
こ新しい機種へ入れ替えます。 作業は午前9時から午後5時までを予定しており、その間は有線LANと
tesseract page.png - -l jpn 2>/dev/null | python3 cer.py page.txt - page
page              CER=1.25% dist=5 ref=400 hyp=401 gaps=3
pdftotext -raw scan-deskew.pdf - | perl -CSD -pe 's/(?<=[^\x00-\x7f]) +(?=[^\x00-\x7f])//g' | grep -n 接続できません
6:ら接続している方も、同じ時間帯は社内のファイルサーバーと勤怠システムに接続できません。急ぎ
15:ら接続している方も、同じ時間帯は社内のファイルサーバーと勤怠システムに接続できません。急き
pdfinfo scan-deskew.pdf | grep -E "Pages|Creator"
Creator:         OCRmyPDF 16.13.0+dfsg1 / Tesseract OCR-hOCR 5.5.0
Pages:           2

grep -m 1 '^License:' /usr/share/doc/tesseract-ocr/copyright /usr/share/doc/tesseract-ocr-jpn/copyright /usr/share/doc/ocrmypdf/copyright
/usr/share/doc/tesseract-ocr/copyright:License: Apache-2.0
/usr/share/doc/tesseract-ocr-jpn/copyright:License: Apache-2.0
/usr/share/doc/ocrmypdf/copyright:License: MPL-2.0

docker network disconnect bridge tesseract-ocr-japanese-pdf-lab

ls /sys/class/net; curl -sS -m 5 -o /dev/null https://github.com/; echo "exit=$?"
lo
curl: (6) Could not resolve host: github.com
exit=6
tesseract page.png - -l jpn 2>/dev/null | python3 cer.py page.txt - offline
offline           CER=1.25% dist=5 ref=400 hyp=401 gaps=3
ocrmypdf -l jpn --output-type pdf --deskew scan.pdf offline.pdf; echo "exit=$?"
Start processing 2 pages concurrently
Postprocessing...
Image optimization ratio: 1.00 savings: 0.0%
Total file size ratio: 0.76 savings: -31.6%
exit=0
pdftotext -raw -f 2 -l 2 offline.pdf - | python3 cer.py page.txt - offline,p2
offline,p2        CER=1.00% dist=4 ref=400 hyp=400 gaps=150