GoogleのDocument AIのAPIを呼び出してOCRを実行してみます。
GoogleのDocument AIですが、料金のページにあるようにCloud Vision、Cloud Natural Language API、Vertex AIの料金が適用されます。ドキュメントOCRプロセッサではCloud Visionが使用されるため、Cloud Visionの料金を確認します。
Cloud Visionの料金を確認すると、すべての機能について最初の 1,000 ユニット/月は無料となっています。APEXのアプリケーションを作ってAPIの呼び出しを確認する程度であれば、費用が発生することはなさそうです。
将来に無料枠が無くなる、または、条件が変わる可能性はあります。お金が関わることですし、Googleが提供している情報はご自身で確認してください。
Document AIのAPIは、サービス・アカウントを作成して、その権限で呼び出します。サービス・アカウントの作成は、以前にIndexing APIの呼び出しで紹介したことがあります。少し手順を変更するため、繰り返しにはなりますが、サービス・アカウントの作成も含めて作業手順を記述します。
作成したAPEXアプリケーションは以下のように動作します。
スタバのレシートから文字を抽出しています。文字や数値は、すべて抽出されていることが確認できます。
以下よりGoogle Cloud側の作業手順を記述します。
プロジェクトは作成済みとします。
Google側での準備
APIとサービスを開き、APIとサービスの有効化をクリックします。
Cloud Document AI APIの有効にするをクリックし、有効にします。料金のNumber of pages processed for OCR processorを選択すると、OCRには無料枠があることが確認できます。
APIが有効になります。タブの認証情報を開いて、サービス・アカウントを作成します。認証情報を作成をクリックするとウィザードが開始しますが、今回は使用しません。
認証情報の作成をクリックし、作成する認証情報としてサービスアカウントを選択します。
サービスアカウント名とサービスアカウントIDを指定します。サービスアカウントIDの下に表示されるメールアドレスは、APEXアプリケーションからDocument AI APIを呼び出す際に使用します。そのため、コピーをとって記録しておきます。
作成して続行をクリックします。
ステップ３のユーザーにこのサービスアカウントへのアクセスを許可（省略可）は省略するので続行はせず、ここで完了をクリックします。
IAMと管理のIAMを開くと、作成したサービスアカウントが権限に含まれていることが確認できます。
キーのタブを開き、鍵を追加から新しい鍵を作成を選択します。
キーのタイプとしてP12（PKCS#12形式）を選択し、作成を実行します。この鍵はPL/SQLのパッケージDBMS_CRYPTOで使用するため、PKCS#1またはPKCS#8形式に変換します。JSONが推奨となっていますが、opensslコマンドを使用するため扱いやすいP12を選択しています。
作成をクリックします。
秘密鍵が手元のPCにダウンロードされます。opensslで形式変換する際に、秘密鍵のパスワードを聞かれるため、表示されている秘密鍵のパスワードをクリップボードにコピーし、保存しておきます。
閉じるをクリックします。
ダウンロードされたPKCS#12形式のファイルをPKCS#8形式に変換します。openssl pkcs12コマンドを使用します。
openssl pkcs12 -in ダウンロードされたファイル -nocerts -nodes -out 出力ファイル
Enter Import Password:には秘密鍵のパスワードを入力します。
以下の例では、秘密鍵をdocument-ai-api.keyというファイルに出力しています。
$ openssl pkcs12 -in <秘密鍵のファイル> -nocerts -nodes -out document-ai-api.key
Enter Import Password: 秘密鍵のパスワード
MAC verified OK
$
以上でサービス・アカウントに関する準備は完了です。
これからOCRを準備します。
Document OCRのプロセッサを作成しますをクリックします。
画面右にドロワーが開きます。
プロセッサ名は任意ですが、今回はOCRとしました。リージョンはUS(米国)を選択しています。
作成をクリックします。
プロセッサOCRが作成されます。
予測エンドポイントは、APEX側からREST APIとして呼び出すURLになります。コピーして記録しておきます。
APEX側の準備
Document AI APIを呼び出す際に使用するWeb資格証明を作成します。
ワークスペース・ユーティリティのWeb資格証明を開きます。
作成済みのWeb資格証明が一覧されます。作成をクリックします。
作成するWeb資格証明の名前はGoogle Document AI API Token、静的IDはGOOGLE_DOCUMENT_AI_API_TOKENとします。
認証タイプとしてHTTPヘッダーを選択します。
資格証明名としてHTTPヘッダー名であるAuthorization、資格証明シークレットとしてAuthorizationヘッダーの値になる任意の文字列を入力します。資格証明名、資格証明シークレットはPL/SQLコードを実行して更新するため、現時点では何を入力してもかまいません。
URLに対して有効は必須ではありませんが、OCRプロセッサをUSに作成したため、以下の値を指定しています。
https://us-documentai.googleapis.com/
以上で作成をクリックします。
静的IDがGOOGLE_DOCUMENT_AI_API_TOKENであるWeb資格証明が作成されました。
パッケージUTIL_GOOGLE_APIを作成します。
以下のコードを実行します。
サービス・アカウントの秘密鍵よりJWTを生成し、それを使ってアクセス・トークンを取得します。取得したアクセス・トークンをWeb資格証明のGOOGLE_DOCUMENT_AI_API_TOKENに設定しています。
サービス・アカウントの秘密鍵やメール・アドレスはそれぞれ置き換えます。
このコードは、SQLclなどでワークスペース・スキーマに接続して実行することを想定しています。そのため、APEX_CREDENTIAL.SET_PERSISTENT_CREDENTIALSを呼び出す前にAPEX_UTIL.SET_SECURITY_GROUP_IDを呼び出しワークスペースを設定しています。
SQLワークスペースのSQLコマンドやSQLスクリプトからも実行できますが、秘密鍵の情報がSQLの実行履歴として残るといった、できれば避けたい状況が発生します。秘密鍵を安全に保存した上でJWTを生成するには、特別な作り込みが必要です。
OCIのボールトではできず（こちらの記事で説明しています）、APEXでは23.1よりWeb資格証明の認証タイプにキー・ペアが新たに追加されていますが、保存した秘密キーを使って署名を行なう機能は提供されていません。
Googleのサービス・アカウントの秘密鍵なので、GoogleのCloud Key Managementに秘密鍵を保存して、それを使ってJWTを生成するのが合理的だろうと思います。微々たる金額ですが、無料枠が見つからなかったのと、今回の主題からは外れるため実装からは外しました。
APEXアプリケーションの作成
GoogleのDocument AI APIを呼び出してOCRを実行するAPEXアプリケーションを作成します。
アプリケーション作成ウィザードを起動し、空のアプリケーションを作成します。名前はGoogle Document AI OCRとします。
OCRを呼び出すURLを、アプリケーション定義の置換に定義します。
置換文字列はG_PROCESS_URL、置換値は作成したOCRプロセッサの予測エンドポイントです。
OCRの処理はホーム・ページに実装します。
ページ・デザイナでホーム・ページを開きます。
最初にOCRを実行するイメージ・ファイルを指定するためのページ・アイテムを作成します。
識別の名前はP1_IMAGE、タイプとしてファイル参照...、ラベルはImageとします。
設定の表示形式にInline Dropzone、記憶域タイプとして事前準備の不要なTable APEX_APPLICATION_TEMP_FILESを選択します。ファイルをパージするタイミングはEnd of Sessionです。
セッション・ステートのストレージとしてセッションごと(永続)を選択します。
OCRを実行する（OCRを実行するREST APIを呼び出す）ボタンを作成します。
識別のボタン名はSUBMIT、ラベルはSubmitとします。動作のアクションはデフォルトのページの送信です。
デバッグ用途として、REST APIが返すレスポンスをそのまま表示するページ・アイテムを作成します。
識別の名前はP1_RESPONSE、タイプはテキスト領域、ラベルはResponseとします。セッション・ステートのデータ型はCLOB、ストレージとしてセッションごと(永続)を選択します。
OCRによって抽出された文字列を表示するページ・アイテムを作成します。
識別の名前はP1_TEXT、タイプはテキスト領域、ラベルはTextとします。セッション・ステートのデータ型はCLOB、ストレージとしてセッションごと(永続)を選択します。
OCRにかけたイメージを表示するページ・アイテムを作成します。
識別の名前はP1_DISPLAY_IMAGE、タイプはイメージの表示、ラベルはImageとします。
設定の基準としてBLOB Column returned by SQL statementを選択し、SQL文に以下を記述します。
select blob_content from apex_application_temp_files where name = :P1_IMAGE
レイアウトの新規行の開始をオフにして、抽出された文字列の右にイメージを配置します。セッション・ステートのストレージとしてリクエストごと(メモリーのみ)を選択します。
プロセス・ビューを開き、OCRを実行するプロセスを作成します。
識別の名前はExtract Text from Image、タイプとしてコードを実行を選択します。ソースのPL/SQLコードとして以下を記述します。
サーバー側の条件のボタン押下時にSUBMITを指定します。
以上でAPEXアプリケーションは完成です。
アプリケーションを実行すると記事の先頭のGIF動画のように動作します。
今回作成したAPEXアプリケーションのエクスポートを以下に置きました。
https://github.com/ujnak/apexapps/blob/master/exports/google-document-ai-ocr.zip
Oracle APEXのアプリケーション作成の参考になれば幸いです。
追記
Oracle CloudにはDocument Understandingというサービスがあり、その中のText extractionがOCRにあたる処理をします。こちらも無料枠は提供されているため、アップグレードする必要がある、とバナーに表示されていても動作確認は可能です。
同じイメージでテキスト抽出を行ってみましたが、日本語の抽出はできませんでした。
完
