【編集部記事】電子書籍やオープンデータ運動の台頭により、過去の文書をスキャンするニーズが世界的に高まっている。そのような中、最近海外のジャーナリストたちの間で「Docsplit」というオープンソースツールを使う事例が増えつつある。
Docsplitは世界中のジャーナルリストたちが公開しているオープンデータ検索ツール群「DocumentCloud」の一部で、PDF文書をテキスト化を担当しているスクリプト部品。Rubyを使い、Linuxユーザーにお馴染みのオープンソースライブラリ「GraphicsMagick（PDFの画像化）」「Poppler（PDFメタデータ抽出）」「Ghostscript（PDF内部コード解析）」「Tesseract（OCR）」「pdftk（PDFページ分割）」「LibreOffice（Office形式ファイルで出力）」の連携をスクリプト化している。
気になるTesseractも日本語OCRに対応させることはできるし、必要ならば代わりに「NHocr」を使うことも可能と思われるので、画像ベースのPDFのテキスト化で悩んでいるシステム関係者は、試してみる価値はあるだろう。【hon.jp】
問合せ先： DocsplitのGitHubページ（ http://documentcloud.github.com/docsplit/ ）