(2026年10月29日 追記:記事どおりに再現できるよう、必要なコードと手順を追加しました)
前回(第2回)では、CAD図面PDFに埋め込まれた文字を座標・フォントサイズ付きで取り出し、検出できた単語をすべて赤枠でハイライト表示するところまで作りました。ただし前回時点では、部屋名の「居間」「寝室1」も、寸法値の「W=3640」も、区別なく同じように赤枠で囲われる状態でした。
第3回の今回は、この「検出した単語すべて」の中から、部屋名らしき文字列だけを絞り込みます。部屋名の辞書(表記ゆれ込み)と、文字サイズのヒューリスティック(経験則に基づく簡易判定)を組み合わせ、寸法値・符号・注記などのノイズを除外していきます。絞り込んだ結果は、前回の赤枠に重ねて青枠で表示し、「検出はされたが部屋名候補ではないもの」と「部屋名候補」を1画面で見比べられるようにします。
今回作る機能と完成イメージ
今回できることは次の2つです。
- 検出した単語(
ExtractedWordのリスト)の中から、部屋名辞書に完全一致するものだけを絞り込むapp/core/room_matcher.pyを実装する - 「部屋名候補だけを絞り込んでハイライト」ボタンを押すと、検出した単語すべての赤枠に重ねて、部屋名候補だけに青枠が表示される
Excelへの転記・OCR対応はまだ実装しません。今回のゴールは、あくまで「どの文字列を部屋名として扱ってよいか」を判定するルールを作るところまでです。
仕組みの説明:辞書+ヒューリスティックで絞り込む
部屋名候補の判定は、次の2段階で行います。
| 段階 | やること | 除外されるものの例 |
|---|---|---|
| 1. フォントサイズの足切り | 極端に小さい・大きいフォントサイズの単語を除外する | 凡例・注記の小さい文字、タイトル・見出しの大きい文字 |
| 2. 辞書との完全一致 | 正規化した文字列が、部屋名辞書(app/config/rooms.yaml)の表記に完全一致するかを調べる | 寸法値(「W=3640」)、符号・記号だけの文字列、辞書に無い表記 |
「なぜ辞書との完全一致にしたのか」が今回の設計判断のポイントです。似たような表記(例えば「サンルーム」「多目的室」)まで緩く拾ってしまうと、誤って部屋名として抽出してしまうリスクが上がります。この連載の方針(第0回)でも「検出結果は必ず人が確認できる」ことを前提にしていますが、絞り込みの段階でノイズが多いと、確認する人の負担が増えてしまいます。そこで今回は、辞書に無い表記は候補に含めないという保守的な方針にしました。辞書に何を登録するかは業務側の知識が必要になるため、この点は「発注者向けメモ」で改めて扱います。
表記ゆれ・番号付きパターンへの対応
部屋名は「寝室1」「洋室2」のように、同じ種類の部屋が複数ある場合に番号が付くことがよくあります。また「キッチン」「台所」「ダイニングキッチン」のように、同じ部屋種別でも複数の表記が使われます。これらを1つずつ辞書に書き出すと管理が大変になるため、辞書は次のような形式にしました。
# app/config/rooms.yaml(抜粋)
rooms:
- canonical: 居間
aliases: [居間, リビング, リビングルーム, LDK, LDK]
allow_numbered_suffix: false
- canonical: 寝室
aliases: [寝室, ベッドルーム, ベットルーム, 主寝室]
allow_numbered_suffix: true
- canonical: キッチン
aliases: [キッチン, 台所, ダイニングキッチン, DK, DK]
allow_numbered_suffix: false
canonicalは代表表記(将来Excelのセル対応で使う想定の正式名称)、aliasesは辞書に完全一致で許容する表記ゆれのリストです。allow_numbered_suffix: trueにした部屋種別だけ、末尾に数字が付いた表記(「寝室1」「寝室23」等)も一致とみなします。キッチン・トイレのように通常1部屋しか無い部屋種別はfalseにしており、「キッチン1」のような表記は一致しません(もし今後そうした図面が出てきたら、辞書側の設定を変えるだけで対応できます)。
比較の前には、文字列をUnicode正規化(NFKC)します。これにより「DK」(全角)と「DK」(半角)、「寝室1」(全角数字)と「寝室1」(半角数字)のような表記の違いを吸収できます。
実装
ファイル構成(第3回時点の差分)
madori-ocr/
├ app/
│ ├ config/
│ │ └ rooms.yaml …【今回追加】部屋名辞書
│ ├ core/
│ │ └ room_matcher.py …【今回追加】部屋名候補への絞り込みロジック
│ └ ui/
│ ├ main_window.py …【今回変更】「部屋名候補だけを絞り込んでハイライト」ボタンを追加
│ └ preview_canvas.py …【今回変更】部屋名候補の枠(青枠)の描画を追加
├ tests/
│ └ test_room_matcher.py …【今回追加】pytest 26件
└ requirements.txt …【今回変更】PyYAML==6.0.3 を追加
コア処理:部屋名候補への絞り込み(app/core/room_matcher.py)
辞書の読み込み・照合・絞り込みをまとめたファイルです。
app/core/room_matcher.py を新しく作ります(全文)。
app/core/room_matcher.py の全文(226行)
# app/core/room_matcher.py
"""第2回で抽出した単語の中から「部屋名らしきもの」だけを絞り込むコア処理。
`app/core/text_extractor.py` が返す `ExtractedWord`(文字列・座標・フォントサイズ・
ページ番号)のリストを受け取り、次の2段階で部屋名候補を絞り込む。
1. **フォントサイズによる足切り**: 極端に小さい(凡例・注記の可能性が高い)
または極端に大きい(タイトル・見出しの可能性が高い)文字は候補から外す。
2. **部屋名辞書(`app/config/rooms.yaml`)との照合**: 辞書に登録した表記
(表記ゆれ込み)に完全一致する場合のみ候補として採用する。「寝室1」
「洋室2」のような番号付きの表記は、辞書側で `allow_numbered_suffix: true`
を指定した部屋種別のみ、末尾の数字を許容して一致させる。
寸法値(「W=3640」等)や符号・記号だけの文字列は、辞書のどの表記にも
完全一致しないため、この時点で自然に除外される。逆に、辞書に登録して
いない「近いが完全一致ではない」表記(例: サンルーム、書斎)は、誤検出
(似て非なる語まで部屋名として拾ってしまうこと)を避けるため、あえて
候補に含めない方針にしている。辞書に何を登録するかは業務側での棚卸しが
必要で、この方針の是非は記事の「発注者向けメモ」で扱う。
このモジュールはPyYAML以外の追加ライブラリに依存せず、tkinterなどGUI
ライブラリはimportしない(第0回から続く「コア処理はGUI非依存にし、
pytestで自動検証する」という方針)。
"""
from __future__ import annotations
import re
import unicodedata
from dataclasses import dataclass
from pathlib import Path
from typing import Any
import yaml
from app.core.text_extractor import ExtractedWord
#: 部屋名辞書の既定の配置場所(`app/config/rooms.yaml`)
DEFAULT_ROOMS_YAML_PATH = Path(__file__).resolve().parent.parent / "config" / "rooms.yaml"
#: 部屋名候補として許容するフォントサイズの既定範囲(ポイント単位)。
#: 図面上の部屋名ラベルは実務上おおむね8〜40pt程度に収まることが多く、
#: これより極端に小さい(凡例・注記・著作権表記等)/大きい(見出し・タイトル)
#: 文字は、たとえ辞書の表記に完全一致していても部屋名ラベルではない可能性が
#: 高いと判断し、候補から除外する。`ExtractedWord.font_size` が0.0
#: (`text_extractor.py` 側でフォントサイズを特定できなかった場合の既定値)
#: の単語も、既定ではこの範囲外として除外される(安全側に倒す判断)。
DEFAULT_MIN_FONT_SIZE = 8.0
DEFAULT_MAX_FONT_SIZE = 40.0
#: ひらがな・カタカナ・漢字(CJK統合漢字の主要範囲)を大まかに検出する正規表現。
#: 「数値・記号だけの文字列らしいか」を判定する `looks_like_dimension_or_symbol()`
#: で使う(辞書照合そのものには使わない。あくまで除外理由の説明用)。
_JAPANESE_SCRIPT_PATTERN = re.compile(r"[-ヿ㐀-鿿]")
class RoomDictionaryError(ValueError):
"""部屋名辞書ファイル(YAML)を読み込めない、または形式が不正な場合に送出する例外。"""
@dataclass(frozen=True)
class RoomDictionaryEntry:
"""部屋名辞書の1エントリ(1つの部屋種別)。"""
#: 代表表記(転記先セル対応等で使う想定の正式名称)
canonical: str
#: 辞書に完全一致で許容する表記ゆれ(正規化前の文字列)
aliases: tuple[str, ...]
#: Trueの場合、aliasの末尾に数字が付いた表記(「寝室1」等)も一致とみなす
allow_numbered_suffix: bool
@dataclass(frozen=True)
class RoomDictionary:
"""読み込み済みの部屋名辞書。`match()` で1つの文字列を照合する。"""
entries: tuple[RoomDictionaryEntry, ...]
def match(self, text: str) -> tuple[str, str] | None:
"""`text` が辞書の表記に完全一致するかを調べる。
一致した場合は `(代表表記, 一致したalias)` を返す。一致しなければ `None`。
比較の前に `text` ・辞書側の表記の両方をUnicode正規化(NFKC)し、前後の
空白を取り除く。これにより、全角英数字(「DK」)と半角英数字(「DK」)
のような表記の違いを吸収する。
"""
normalized = _normalize(text)
if not normalized:
return None
for entry in self.entries:
for alias in entry.aliases:
alias_normalized = _normalize(alias)
if not alias_normalized:
continue
if normalized == alias_normalized:
return entry.canonical, alias
if entry.allow_numbered_suffix and _matches_numbered_suffix(normalized, alias_normalized):
return entry.canonical, alias
return None
@dataclass(frozen=True)
class RoomCandidate:
"""部屋名候補として絞り込まれた単語1件分の情報。"""
#: 絞り込み元になった単語(文字列・座標・フォントサイズ・ページ番号を含む)
word: ExtractedWord
#: 一致した部屋種別の代表表記(例: 「寝室1」→「寝室」)
canonical_name: str
#: 辞書側で実際に一致したalias(例: 「寝室1」→「寝室」。番号なしの表記)
matched_alias: str
def load_room_dictionary(path: str | Path | None = None) -> RoomDictionary:
"""部屋名辞書(YAML)を読み込んで `RoomDictionary` を返す。
`path` を省略した場合は `app/config/rooms.yaml`(`DEFAULT_ROOMS_YAML_PATH`)
を読み込む。ファイルが無い・YAMLとして解釈できない・想定した形式
(トップレベルに `rooms` というリストがある)でない場合は `RoomDictionaryError`
を送出する。
"""
yaml_path = Path(path) if path is not None else DEFAULT_ROOMS_YAML_PATH
if not yaml_path.exists():
raise RoomDictionaryError(f"部屋名辞書ファイルが見つかりません: {yaml_path}")
try:
with yaml_path.open(encoding="utf-8") as f:
data = yaml.safe_load(f)
except yaml.YAMLError as exc:
raise RoomDictionaryError(f"部屋名辞書ファイルをYAMLとして読み込めませんでした: {yaml_path}") from exc
if not isinstance(data, dict) or not isinstance(data.get("rooms"), list):
raise RoomDictionaryError(
f"部屋名辞書ファイルの形式が不正です(トップレベルに'rooms'のリストが必要です): {yaml_path}"
)
entries = [_parse_entry(raw, yaml_path) for raw in data["rooms"]]
if not entries:
raise RoomDictionaryError(f"部屋名辞書に部屋種別が1件も登録されていません: {yaml_path}")
return RoomDictionary(entries=tuple(entries))
def _parse_entry(raw: Any, yaml_path: Path) -> RoomDictionaryEntry:
if not isinstance(raw, dict) or "canonical" not in raw:
raise RoomDictionaryError(f"部屋名辞書のエントリに'canonical'がありません: {yaml_path}")
canonical = str(raw["canonical"])
raw_aliases = raw.get("aliases") or [canonical]
aliases = tuple(str(alias) for alias in raw_aliases)
allow_numbered_suffix = bool(raw.get("allow_numbered_suffix", False))
return RoomDictionaryEntry(canonical=canonical, aliases=aliases, allow_numbered_suffix=allow_numbered_suffix)
def filter_room_candidates(
words: list[ExtractedWord],
dictionary: RoomDictionary | None = None,
*,
min_font_size: float = DEFAULT_MIN_FONT_SIZE,
max_font_size: float = DEFAULT_MAX_FONT_SIZE,
) -> list[RoomCandidate]:
"""`words` の中から部屋名候補だけを絞り込んで返す。
`dictionary` を省略した場合は既定の辞書(`app/config/rooms.yaml`)を
そのつど読み込む。同じ辞書で複数回絞り込む場合は、呼び出し側で
`load_room_dictionary()` を1回だけ呼んで使い回す方が効率的(
`app/ui/main_window.py` では起動時に1回だけ読み込んで使い回している)。
絞り込みは次の順で行い、どちらも満たした単語だけを候補とする。
1. フォントサイズが `min_font_size` 〜 `max_font_size` の範囲内であること
2. 正規化した文字列が辞書の表記(表記ゆれ・番号付きパターン込み)に
完全一致すること
戻り値の順序は `words` の順序を保つ。
"""
dict_ = dictionary if dictionary is not None else load_room_dictionary()
candidates: list[RoomCandidate] = []
for word in words:
if not (min_font_size <= word.font_size <= max_font_size):
continue
matched = dict_.match(word.text)
if matched is None:
continue
canonical, alias = matched
candidates.append(RoomCandidate(word=word, canonical_name=canonical, matched_alias=alias))
return candidates
def looks_like_dimension_or_symbol(text: str) -> bool:
"""`text` が寸法値・符号など「数値・記号だけの文字列」らしいかを判定する。
部屋名辞書は日本語(漢字・かな)または一部の英略称(DK・WIC等)で構成
されているのに対し、寸法値(「3640」「W=3640」)や符号・罫線記号
(「±」「―」等)は日本語の文字(ひらがな・カタカナ・漢字)を1文字も
含まないことが多い。この関数はその傾向を「除外理由の説明」用に使う
補助関数で、`filter_room_candidates()` 自体はこの関数を使わず、辞書との
完全一致だけで判定する(辞書に無い英略称を誤って「らしくない」と判定
してしまう可能性があるため、絞り込みの主たる判断には使わない)。
"""
normalized = _normalize(text)
if not normalized:
return True
return not _JAPANESE_SCRIPT_PATTERN.search(normalized)
def _normalize(text: str) -> str:
"""Unicode正規化(NFKC)し、前後の空白を除去する。
全角英数字と半角英数字(「DK」と「DK」)、全角数字と半角数字
(「寝室1」と「寝室1」)の違いを、辞書との比較の前に吸収するために使う。
"""
return unicodedata.normalize("NFKC", text).strip()
def _matches_numbered_suffix(normalized_text: str, normalized_alias: str) -> bool:
"""`normalized_text` が `normalized_alias` に半角数字の接尾辞を付けた形かを判定する。
「寝室1」「洋室23」のような表記を想定している。全角数字はどちらも
`_normalize()` の時点でNFKC正規化により半角に変換済みのため、ここでは
半角数字だけを見ればよい。漢数字(「寝室一」等)には対応していない
(記事の「つまずきやすい点」で明記する既知の限界)。
"""
if not normalized_text.startswith(normalized_alias):
return False
suffix = normalized_text[len(normalized_alias) :]
return bool(suffix) and suffix.isascii() and suffix.isdigit()
絞り込み本体のfilter_room_candidates()は、フォントサイズの足切りと辞書照合を順に行うだけのシンプルな作りです。
# app/core/room_matcher.py(抜粋)
DEFAULT_MIN_FONT_SIZE = 8.0
DEFAULT_MAX_FONT_SIZE = 40.0
def filter_room_candidates(
words: list[ExtractedWord],
dictionary: RoomDictionary | None = None,
*,
min_font_size: float = DEFAULT_MIN_FONT_SIZE,
max_font_size: float = DEFAULT_MAX_FONT_SIZE,
) -> list[RoomCandidate]:
dict_ = dictionary if dictionary is not None else load_room_dictionary()
candidates: list[RoomCandidate] = []
for word in words:
if not (min_font_size <= word.font_size <= max_font_size):
continue
matched = dict_.match(word.text)
if matched is None:
continue
canonical, alias = matched
candidates.append(RoomCandidate(word=word, canonical_name=canonical, matched_alias=alias))
return candidates
フォントサイズの既定範囲は8〜40ptにしました。図面上の部屋名ラベルは実務上おおむねこの範囲に収まることが多いという想定です。前回text_extractor.pyがフォントサイズを特定できなかった場合の既定値(0.0)も、この範囲外として自動的に除外されます(サイズが分からない単語は安全側に倒して候補にしない、という判断です)。この閾値は呼び出し側で変更できるようにしてあり、実際の図面で調整が必要になった場合も関数の引数を変えるだけで対応できます。
寸法値・記号がなぜ除外されるか
「数値のみ(寸法)」「記号のみ」を判定する専用の除外ロジックは、実はコアの絞り込み処理には入れていません。辞書に「W=3640」のような表記を登録していない以上、辞書との完全一致チェックだけで自然に除外されるためです。ただし「なぜ除外されたか」を人に説明しやすいように、日本語の文字(ひらがな・カタカナ・漢字)を含まない文字列かどうかを判定する補助関数looks_like_dimension_or_symbol()も用意しました(絞り込みの判断そのものには使わず、除外理由の説明用の関数です。将来のレビュー画面(第6回)で「なぜ除外されたか」を表示する際に使う想定です)。
GUI部品:部屋名候補の青枠(app/ui/preview_canvas.py)
前回作った赤枠(show_word_boxes())と同じ座標変換の考え方で、部屋名候補用の青枠を描くshow_room_candidates()を追加しました。赤枠を消さずに青枠だけを重ねて描くことで、「検出はされたが部屋名候補ではないもの」との違いが分かるようにしています。
app/ui/preview_canvas.py に次の変更を加えます(+ が追加、- が削除)。
app/ui/preview_canvas.py の差分(121行)
--- a/app/ui/preview_canvas.py
+++ b/app/ui/preview_canvas.py
@@ -14,9 +14,16 @@
`(dpi / 72.0) * zoom` をスケール値として画像化しているため、検出枠も同じ
スケール値をPDF座標に掛ければ、画像上のピクセル位置とずれずに重ねられる。
+第3回では、`app/core/room_matcher.py` が絞り込んだ部屋名候補
+(`RoomCandidate`)を、検出した単語すべての赤枠に重ねて**青枠**で描画する
+`show_room_candidates()` を追加した。赤枠を消さずに青枠だけを重ねることで、
+「検出はできたが部屋名候補ではないと判定されたもの(赤のみ)」と「部屋名候補
+として絞り込まれたもの(赤+青の二重枠)」を1つの画面で見比べられるようにしている。
+
このモジュール自体はtkinterに依存するため、pytestでの自動検証はしない
(連載の方針:GUIはWindows実機で確認する)。表示対象の画像を作るロジック・
-単語抽出ロジックはそれぞれ `app/core/pdf_loader.py` ・ `app/core/text_extractor.py`
+単語抽出ロジック・部屋名候補への絞り込みロジックはそれぞれ
+`app/core/pdf_loader.py` ・ `app/core/text_extractor.py` ・ `app/core/room_matcher.py`
に切り出してあり、そちらはpytestで検証済み。
"""
@@ -27,6 +34,7 @@ from pathlib import Path
from tkinter import ttk
from app.core.pdf_loader import DEFAULT_DPI, MAX_ZOOM, MIN_ZOOM, PdfDocument, PdfLoadError, load_pdf
+from app.core.room_matcher import RoomCandidate
from app.core.text_extractor import ExtractedWord
#: 拡大縮小ボタン1回あたりの倍率の増減幅
@@ -38,6 +46,15 @@ WORD_BOX_OUTLINE_WIDTH = 2
#: Canvas上で検出枠だけをまとめて削除・再描画するためのタグ
WORD_BOX_TAG = "word_box"
+#: 部屋名候補の枠(第3回で追加)の線の色・太さ。赤枠より少し太くして、
+#: 赤枠の外側に重ねて描いたときに二重枠として見分けやすくしている。
+ROOM_BOX_OUTLINE_COLOR = "#1f5fbf"
+ROOM_BOX_OUTLINE_WIDTH = 3
+#: Canvas上で部屋名候補の枠だけをまとめて削除・再描画するためのタグ
+ROOM_BOX_TAG = "room_box"
+#: 部屋名候補の枠を赤枠より一回り外側に描くための余白(ピクセル)
+ROOM_BOX_PADDING = 3
+
class PreviewCanvas(ttk.Frame):
"""PDFのページ画像を表示し、ページ送り・拡大縮小を行う部品。"""
@@ -51,6 +68,8 @@ class PreviewCanvas(ttk.Frame):
self._photo_image: tk.PhotoImage | None = None
# 直近に検出・表示した単語一覧(ページ送り時は現在のページの分だけ描画する)
self._word_boxes: list[ExtractedWord] = []
+ # 直近に絞り込み・表示した部屋名候補一覧(第3回で追加)
+ self._room_candidates: list[RoomCandidate] = []
self._build_widgets()
self._refresh_controls()
@@ -117,6 +136,7 @@ class PreviewCanvas(ttk.Frame):
self._page_number = 0
self._zoom = 1.0
self._word_boxes = []
+ self._room_candidates = []
self._render_current_page()
def show_word_boxes(self, words: list[ExtractedWord]) -> None:
@@ -135,6 +155,21 @@ class PreviewCanvas(ttk.Frame):
self._word_boxes = []
self.canvas.delete(WORD_BOX_TAG)
+ def show_room_candidates(self, candidates: list[RoomCandidate]) -> None:
+ """絞り込んだ部屋名候補を、表示中のページの赤枠に重ねて青枠で描画する。
+
+ `candidates` は `app/core/room_matcher.filter_room_candidates()` の
+ 戻り値をそのまま渡す想定。`show_word_boxes()` と同様、表示中のページ
+ 番号と異なる `page_number` を持つ候補は描画対象から除外する。
+ """
+ self._room_candidates = list(candidates)
+ self._draw_room_candidates()
+
+ def clear_room_candidates(self) -> None:
+ """描画済みの部屋名候補の枠(青枠)を消す。"""
+ self._room_candidates = []
+ self.canvas.delete(ROOM_BOX_TAG)
+
def _draw_word_boxes(self) -> None:
self.canvas.delete(WORD_BOX_TAG)
if self._document is None or not self._word_boxes:
@@ -157,6 +192,29 @@ class PreviewCanvas(ttk.Frame):
tags=WORD_BOX_TAG,
)
+ def _draw_room_candidates(self) -> None:
+ self.canvas.delete(ROOM_BOX_TAG)
+ if self._document is None or not self._room_candidates:
+ return
+
+ # 赤枠と同じ倍率でPDF座標をピクセル座標に変換したうえで、赤枠より
+ # 一回り外側(ROOM_BOX_PADDINGぶん)に描き、二重枠として見分けやすくする。
+ scale = (DEFAULT_DPI / 72.0) * self._zoom
+ for candidate in self._room_candidates:
+ word = candidate.word
+ if word.page_number != self._page_number:
+ continue
+ x0, y0, x1, y1 = word.bbox
+ self.canvas.create_rectangle(
+ x0 * scale - ROOM_BOX_PADDING,
+ y0 * scale - ROOM_BOX_PADDING,
+ x1 * scale + ROOM_BOX_PADDING,
+ y1 * scale + ROOM_BOX_PADDING,
+ outline=ROOM_BOX_OUTLINE_COLOR,
+ width=ROOM_BOX_OUTLINE_WIDTH,
+ tags=ROOM_BOX_TAG,
+ )
+
def _close_current_document(self) -> None:
if self._document is not None:
self._document.close()
@@ -204,6 +262,7 @@ class PreviewCanvas(ttk.Frame):
self.canvas.create_image(0, 0, anchor="nw", image=self._photo_image)
self.canvas.configure(scrollregion=(0, 0, rendered.width, rendered.height))
self._draw_word_boxes()
+ self._draw_room_candidates()
self._refresh_controls()
def _refresh_controls(self) -> None:
青枠は赤枠より少し太く、かつROOM_BOX_PADDINGぶん外側に描くことで、二重枠として見分けやすくしています。前回同様、ページ再描画・拡大縮小のたびに_draw_room_candidates()も呼び直すようにしたため、操作をしても枠がずれません。
メイン画面への配線(app/ui/main_window.py)
「4. 部屋名候補だけを絞り込んでハイライト」ボタンを追加しました。部屋名辞書はアプリ起動時に1回だけ読み込んでおき、ボタンを押すたびに使い回します。
部屋名辞書の読み込み(起動時に1回)と、「4.」ボタンの処理 _on_filter_room_candidates() を追加し、実行ボタンを「5.」に繰り下げました。
app/ui/main_window.py に次の変更を加えます(+ が追加、- が削除)。
app/ui/main_window.py の差分(133行)
--- a/app/ui/main_window.py
+++ b/app/ui/main_window.py
@@ -6,6 +6,8 @@
`app/ui/preview_canvas.py` をここから呼び出すように配線した。
第2回では、表示中のページに埋め込まれた文字を `app/core/text_extractor.py`
で抽出し、検出枠としてプレビュー上にハイライト表示するボタンを追加した。
+第3回では、検出した単語の中から部屋名らしきものだけを `app/core/room_matcher.py`
+で絞り込み、赤枠に重ねて青枠でハイライト表示するボタンを追加した。
"""
from __future__ import annotations
@@ -15,11 +17,12 @@ from tkinter import filedialog, messagebox, ttk
from app.core.file_selection import FileSelectionError, SelectedFiles, validate_excel_path, validate_pdf_path
from app.core.pdf_loader import PdfLoadError
+from app.core.room_matcher import RoomDictionaryError, filter_room_candidates, load_room_dictionary
from app.core.text_extractor import extract_words
from app.ui.preview_canvas import PreviewCanvas
WINDOW_TITLE = "間取りOCR転記ツール"
-WINDOW_SIZE = "760x680"
+WINDOW_SIZE = "760x720"
PDF_FILETYPES = [("PDFファイル", "*.pdf")]
EXCEL_FILETYPES = [("Excelファイル", "*.xlsx *.xlsm")]
@@ -36,12 +39,27 @@ class MainWindow(ttk.Frame):
self.excel_path_var = tk.StringVar(value="未選択")
self.status_var = tk.StringVar(value="PDF図面とExcelテンプレートを選んでください。")
+ # 部屋名辞書はアプリ起動時に1回だけ読み込み、ボタンを押すたびに使い回す
+ # (`app/config/rooms.yaml` を毎回読み直す必要はないため)。読み込みに
+ # 失敗した場合(辞書ファイルが壊れている等)はエラーダイアログを出し、
+ # 部屋名候補の絞り込みボタンを無効化したまま起動する。
+ try:
+ self._room_dictionary = load_room_dictionary()
+ except RoomDictionaryError as exc:
+ self._room_dictionary = None
+ self._room_dictionary_error = str(exc)
+ else:
+ self._room_dictionary_error = None
+
self._build_widgets()
self._refresh_run_button()
+ if self._room_dictionary is None:
+ self.filter_room_button.configure(state="disabled")
+ messagebox.showerror("部屋名辞書エラー", self._room_dictionary_error)
def _build_widgets(self) -> None:
self.columnconfigure(0, weight=1)
- self.rowconfigure(7, weight=1)
+ self.rowconfigure(8, weight=1)
ttk.Label(self, text="1. CAD図面PDFを選択").grid(row=0, column=0, sticky="w")
ttk.Button(self, text="PDFを選ぶ...", command=self._on_choose_pdf).grid(row=0, column=1, padx=8)
@@ -63,20 +81,28 @@ class MainWindow(ttk.Frame):
)
self.detect_text_button.grid(row=4, column=0, columnspan=2, sticky="ew", pady=(4, 4))
+ self.filter_room_button = ttk.Button(
+ self,
+ text="4. 部屋名候補だけを絞り込んでハイライト(青枠)",
+ command=self._on_filter_room_candidates,
+ state="disabled",
+ )
+ self.filter_room_button.grid(row=5, column=0, columnspan=2, sticky="ew", pady=(4, 4))
+
self.run_button = ttk.Button(
- self, text="4. 実行(次回以降で実装)", command=self._on_run, state="disabled"
+ self, text="5. 実行(次回以降で実装)", command=self._on_run, state="disabled"
)
- self.run_button.grid(row=5, column=0, columnspan=2, sticky="ew", pady=(4, 12))
+ self.run_button.grid(row=6, column=0, columnspan=2, sticky="ew", pady=(4, 12))
ttk.Label(self, textvariable=self.status_var, foreground="#1a6b2a").grid(
- row=6, column=0, columnspan=2, sticky="w"
+ row=7, column=0, columnspan=2, sticky="w"
)
- ttk.Label(self, text="図面プレビュー(赤枠:検出した単語)").grid(
- row=7, column=0, sticky="nw", pady=(12, 0)
+ ttk.Label(self, text="図面プレビュー(赤枠:検出した単語すべて/青枠:部屋名候補)").grid(
+ row=8, column=0, sticky="nw", pady=(12, 0)
)
self.preview = PreviewCanvas(self)
- self.preview.grid(row=7, column=0, columnspan=2, sticky="nsew", pady=(28, 0))
+ self.preview.grid(row=8, column=0, columnspan=2, sticky="nsew", pady=(28, 0))
def _on_choose_pdf(self) -> None:
path = filedialog.askopenfilename(title="CAD図面PDFを選択", filetypes=PDF_FILETYPES)
@@ -112,7 +138,7 @@ class MainWindow(ttk.Frame):
def _refresh_run_button(self) -> None:
if self.selected.is_ready():
self.run_button.configure(state="normal")
- self.status_var.set("PDFとExcelを選択しました。「3.」で図面の文字を読み取れます。")
+ self.status_var.set("PDFとExcelを選択しました。「3.」「4.」で図面の文字を読み取れます。")
else:
self.run_button.configure(state="disabled")
@@ -121,6 +147,7 @@ class MainWindow(ttk.Frame):
has_pdf = self.preview.document is not None
normal_if = {True: "normal", False: "disabled"}
self.detect_text_button.configure(state=normal_if[has_pdf])
+ self.filter_room_button.configure(state=normal_if[has_pdf and self._room_dictionary is not None])
self._refresh_run_button()
def _on_detect_text(self) -> None:
@@ -142,6 +169,26 @@ class MainWindow(ttk.Frame):
else:
self.status_var.set("このページからは埋め込み文字が検出できませんでした(スキャン画像の可能性があります)。")
+ def _on_filter_room_candidates(self) -> None:
+ """表示中のページの文字を検出し、部屋名候補だけを絞り込んでハイライトする。
+
+ 検出した単語すべて(赤枠)と部屋名候補(青枠)の両方を重ねて表示する
+ ことで、「どれが除外されたか」も画面上で分かるようにしている。
+ """
+ if self.preview.document is None or self._room_dictionary is None:
+ return
+ try:
+ words = extract_words(self.preview.document, self.preview.page_number)
+ except PdfLoadError as exc:
+ messagebox.showerror("文字抽出エラー", str(exc))
+ return
+ candidates = filter_room_candidates(words, self._room_dictionary)
+ self.preview.show_word_boxes(words)
+ self.preview.show_room_candidates(candidates)
+ self.status_var.set(
+ f"このページの単語{len(words)}件中、{len(candidates)}件を部屋名候補として絞り込みました(青枠)。"
+ )
+
def _on_run(self) -> None:
"""実行ボタン。部屋名の確認(第6回)・Excelへの転記(第7回)は次回以降で実装する。"""
messagebox.showinfo("実行", "部屋名の確認・Excelへの転記は次回以降で実装します。")
辞書ファイル(rooms.yaml)が壊れているなど、読み込みに失敗した場合はアプリ起動時にエラーダイアログを出し、このボタンを無効化したまま起動する作りにしています。
部屋名辞書・パッケージ・テスト(app/config/rooms.yaml・requirements.txt・tests/test_room_matcher.py)
app/config フォルダを作り、部屋名辞書を置きます。冒頭で抜粋した辞書の全体です。
app/config/rooms.yaml を新しく作ります(全文)。
# app/config/rooms.yaml
# 部屋名辞書(第3回・app/core/room_matcher.py が読み込む)。
#
# rooms: 部屋の種類ごとに1エントリ。
# canonical … 転記先Excelのセル対応(第8回)等でも使う代表表記。
# aliases … 辞書に「完全一致」で許容する表記ゆれのリスト。
# 大文字・小文字、全角・半角の違いは room_matcher.py 側で
# 正規化(NFKC)してから比較するため、ここには代表的な
# 書き方だけを列挙すればよい。
# allow_numbered_suffix … true の場合、alias の末尾に半角/全角数字が付いた表記
# (例: 寝室1, 洋室2, WIC2)も一致とみなす。
# 同じ種類の部屋が複数ある間取り(寝室1・寝室2 等)を
# 想定した設定で、キッチン・トイレのように通常1部屋しか
# 無い部屋種別は false にしている。
#
# 「近いが辞書に無い」表記(例: サンルーム、フリールーム、多目的室、書斎)は、
# 現時点ではあえて登録していない。誤検出(似て非なる語まで部屋名として拾って
# しまうこと)を避けるため、辞書に無い語は自動では候補にしない方針にしており、
# 実際にどの表記まで登録するかは、転記対象の図面を棚卸しした上で追記していく
# 運用を想定している(記事の「発注者向けメモ」参照)。
rooms:
- canonical: 居間
aliases: [居間, リビング, リビングルーム, LDK, LDK]
allow_numbered_suffix: false
- canonical: 寝室
aliases: [寝室, ベッドルーム, ベットルーム, 主寝室]
allow_numbered_suffix: true
- canonical: 洋室
aliases: [洋室]
allow_numbered_suffix: true
- canonical: 和室
aliases: [和室, 和間]
allow_numbered_suffix: true
- canonical: キッチン
aliases: [キッチン, 台所, ダイニングキッチン, DK, DK]
allow_numbered_suffix: false
- canonical: ダイニング
aliases: [ダイニング, 食堂]
allow_numbered_suffix: false
- canonical: トイレ
aliases: [トイレ, 便所, お手洗い, WC, WC]
allow_numbered_suffix: false
- canonical: 浴室
aliases: [浴室, バスルーム, お風呂, 風呂場]
allow_numbered_suffix: false
- canonical: 洗面所
aliases: [洗面所, 洗面室, 洗面脱衣所, 脱衣所]
allow_numbered_suffix: false
- canonical: 玄関
aliases: [玄関, 玄関ホール]
allow_numbered_suffix: false
- canonical: 廊下
aliases: [廊下]
allow_numbered_suffix: false
- canonical: クローゼット
aliases: [クローゼット, ウォークインクローゼット, WIC, WIC]
allow_numbered_suffix: true
- canonical: バルコニー
aliases: [バルコニー, ベランダ, テラス]
allow_numbered_suffix: true
- canonical: 納戸
aliases: [納戸, DEN, DEN]
allow_numbered_suffix: true
- canonical: 階段
aliases: [階段, 階段室]
allow_numbered_suffix: false
YAMLを読むためにPyYAMLを追加します。
requirements.txt に次の変更を加えます(+ が追加、- が削除)。
--- a/requirements.txt
+++ b/requirements.txt
@@ -8,3 +8,6 @@ ruff==0.14.11
# 第1回〜:PDFのページ画像化・ベクター文字抽出(import fitz)
PyMuPDF==1.26.7
+
+# 第3回〜:部屋名辞書(app/config/rooms.yaml)の読み込み(import yaml)
+PyYAML==6.0.3
pip install PyYAML==6.0.3
部屋名辞書の読み込み・表記ゆれ・番号付きの表記・フォントサイズでの足切りを確かめるテストです。
tests/test_room_matcher.py を新しく作ります(全文)。
tests/test_room_matcher.py の全文(231行)
# tests/test_room_matcher.py
"""`app.core.room_matcher` のユニットテスト(tkinter非依存)。
`ExtractedWord` は `app/core/text_extractor.py` の戻り値の形をそのまま使い、
実際のPDF・PyMuPDFには依存しない(部屋名候補への絞り込みロジックだけを検証する)。
辞書は既定の `app/config/rooms.yaml` を読み込んで検証する(実際にこの連載の
サンプルUIから使われるのと同じ辞書であることを確認する意味もある)。
"""
from __future__ import annotations
from pathlib import Path
import pytest
from app.core.room_matcher import (
DEFAULT_ROOMS_YAML_PATH,
RoomDictionary,
RoomDictionaryEntry,
RoomDictionaryError,
filter_room_candidates,
load_room_dictionary,
looks_like_dimension_or_symbol,
)
from app.core.text_extractor import ExtractedWord
def _word(text: str, font_size: float = 14.0, page_number: int = 0) -> ExtractedWord:
return ExtractedWord(text=text, bbox=(0.0, 0.0, 10.0, 10.0), font_size=font_size, page_number=page_number)
def test_default_rooms_yaml_exists() -> None:
assert DEFAULT_ROOMS_YAML_PATH.exists()
def test_load_room_dictionary_returns_known_canonicals() -> None:
dictionary = load_room_dictionary()
canonicals = {entry.canonical for entry in dictionary.entries}
for expected in ["居間", "寝室", "洋室", "和室", "キッチン", "トイレ", "浴室", "洗面所", "玄関", "廊下"]:
assert expected in canonicals
def test_load_room_dictionary_missing_file_raises(tmp_path: Path) -> None:
with pytest.raises(RoomDictionaryError):
load_room_dictionary(tmp_path / "does-not-exist.yaml")
def test_load_room_dictionary_invalid_yaml_raises(tmp_path: Path) -> None:
bad_yaml = tmp_path / "rooms.yaml"
bad_yaml.write_text("rooms: [unterminated", encoding="utf-8")
with pytest.raises(RoomDictionaryError):
load_room_dictionary(bad_yaml)
def test_load_room_dictionary_missing_rooms_key_raises(tmp_path: Path) -> None:
bad_yaml = tmp_path / "rooms.yaml"
bad_yaml.write_text("not_rooms: []\n", encoding="utf-8")
with pytest.raises(RoomDictionaryError):
load_room_dictionary(bad_yaml)
def test_load_room_dictionary_empty_rooms_list_raises(tmp_path: Path) -> None:
empty_yaml = tmp_path / "rooms.yaml"
empty_yaml.write_text("rooms: []\n", encoding="utf-8")
with pytest.raises(RoomDictionaryError):
load_room_dictionary(empty_yaml)
def test_dictionary_match_exact_alias() -> None:
dictionary = load_room_dictionary()
assert dictionary.match("居間") == ("居間", "居間")
assert dictionary.match("トイレ") == ("トイレ", "トイレ")
def test_dictionary_match_alias_variant() -> None:
dictionary = load_room_dictionary()
assert dictionary.match("リビング") == ("居間", "リビング")
assert dictionary.match("台所") == ("キッチン", "台所")
def test_dictionary_match_numbered_suffix_allowed() -> None:
dictionary = load_room_dictionary()
assert dictionary.match("寝室1") == ("寝室", "寝室")
assert dictionary.match("洋室23") == ("洋室", "洋室")
def test_dictionary_match_numbered_suffix_not_allowed_for_kitchen() -> None:
"""キッチンは`allow_numbered_suffix: false`のため、番号付き表記は一致しない。"""
dictionary = load_room_dictionary()
assert dictionary.match("キッチン1") is None
def test_dictionary_match_fullwidth_alphanumeric_is_normalized() -> None:
dictionary = load_room_dictionary()
assert dictionary.match("DK") == ("キッチン", "DK")
assert dictionary.match("寝室1") == ("寝室", "寝室")
def test_dictionary_match_no_match_returns_none() -> None:
dictionary = load_room_dictionary()
assert dictionary.match("W=3640") is None
assert dictionary.match("サンルーム") is None
assert dictionary.match("") is None
def test_dictionary_match_does_not_match_substring() -> None:
"""辞書の表記を含むだけの文字列(部分一致)では一致しないことを確認する。"""
dictionary = load_room_dictionary()
assert dictionary.match("洋室担当者") is None
assert dictionary.match("玄関ポーチ") is None
def test_filter_room_candidates_keeps_only_dictionary_matches() -> None:
words = [
_word("居間"),
_word("寝室1"),
_word("W=3640"),
_word("キッチン"),
_word("洗面所"),
_word("サンルーム"),
]
candidates = filter_room_candidates(words)
texts = [c.word.text for c in candidates]
assert texts == ["居間", "寝室1", "キッチン", "洗面所"]
def test_filter_room_candidates_reports_canonical_name() -> None:
words = [_word("寝室1"), _word("台所")]
candidates = filter_room_candidates(words)
by_text = {c.word.text: c for c in candidates}
assert by_text["寝室1"].canonical_name == "寝室"
assert by_text["台所"].canonical_name == "キッチン"
assert by_text["台所"].matched_alias == "台所"
def test_filter_room_candidates_excludes_too_small_font_size() -> None:
words = [_word("居間", font_size=4.0)]
candidates = filter_room_candidates(words)
assert candidates == []
def test_filter_room_candidates_excludes_too_large_font_size() -> None:
words = [_word("居間", font_size=72.0)]
candidates = filter_room_candidates(words)
assert candidates == []
def test_filter_room_candidates_excludes_unknown_font_size_by_default() -> None:
"""`text_extractor.py`がフォントサイズを特定できなかった場合の既定値(0.0)は除外される。"""
words = [_word("居間", font_size=0.0)]
candidates = filter_room_candidates(words)
assert candidates == []
def test_filter_room_candidates_custom_font_size_range() -> None:
words = [_word("居間", font_size=4.0)]
candidates = filter_room_candidates(words, min_font_size=1.0, max_font_size=100.0)
assert len(candidates) == 1
def test_filter_room_candidates_preserves_input_order() -> None:
words = [_word("寝室1"), _word("居間"), _word("トイレ")]
candidates = filter_room_candidates(words)
assert [c.word.text for c in candidates] == ["寝室1", "居間", "トイレ"]
def test_filter_room_candidates_empty_input_returns_empty_list() -> None:
assert filter_room_candidates([]) == []
def test_filter_room_candidates_accepts_shared_dictionary_instance() -> None:
dictionary = load_room_dictionary()
candidates = filter_room_candidates([_word("居間")], dictionary)
assert len(candidates) == 1
def test_filter_room_candidates_with_custom_dictionary() -> None:
custom = RoomDictionary(
entries=(RoomDictionaryEntry(canonical="書斎", aliases=("書斎", "スタディ"), allow_numbered_suffix=False),)
)
words = [_word("書斎"), _word("居間")]
candidates = filter_room_candidates(words, custom)
assert [c.word.text for c in candidates] == ["書斎"]
def test_looks_like_dimension_or_symbol_true_for_numeric_text() -> None:
assert looks_like_dimension_or_symbol("3640")
assert looks_like_dimension_or_symbol("W=3640")
assert looks_like_dimension_or_symbol("")
assert looks_like_dimension_or_symbol("±0")
def test_looks_like_dimension_or_symbol_false_for_japanese_text() -> None:
assert not looks_like_dimension_or_symbol("居間")
assert not looks_like_dimension_or_symbol("寝室1")
def test_room_candidate_is_frozen_dataclass() -> None:
candidates = filter_room_candidates([_word("居間")])
candidate = candidates[0]
with pytest.raises(AttributeError):
candidate.canonical_name = "寝室" # type: ignore[misc]
動かしてみる
pytest
ruff check .
python -m app.main
pytest で「58 passed」と表示されれば完了です。アプリで sample.pdf を開き「4. 部屋名候補だけを絞り込んでハイライト(青枠)」を押すと、1ページ目の単語7件のうち「居間」「寝室1」「キッチン」「洗面所」の4件に青枠が付きます。
動作確認の方法
今回もLinux開発環境で確認できたことと、Windows実機での確認が必要なことを分けて書きます。
Linux開発環境で確認できたこと
pytest:合計58件(うちtests/test_room_matcher.pyが新規26件)がすべて成功。部屋名辞書の読み込み(正常系・辞書ファイルが無い/壊れている異常系)、表記ゆれ・番号付きパターンの一致、全角/半角の正規化、寸法値・記号・辞書に無い語が候補から除外されること、フォントサイズが範囲外の単語が除外されることなどを検証していますruff check .:エラーなしpip index versions pyyamlでPyYAML 6.0.3が2025-09-25公開であることを確認(記事公開日2026-01-24より前)- ヘッドレス確認:前回までと同様
tkinter・PyMuPDF・PyYAML入りのXvfb上にメイン画面を生成し、架空のサンプルPDF(「居間」「寝室1」「キッチン」「洗面所」「W=3640」等を含む1ページ)をpreview.load_pdf()で読み込ませたうえで、実際のボタンハンドラ_on_filter_room_candidates()を呼び出し、単語7件のうち部屋名候補4件(居間・寝室1・キッチン・洗面所)だけがCanvas上にroom_boxタグの矩形として描画されること、ページ送り・拡大縮小をしても件数が変わらないことを確認しました
このリポジトリの開発環境(Linux/Xvfb上・Ubuntu標準のTkテーマ)で、「部屋名候補だけを絞り込んでハイライト」ボタンを実行した後の画面です。「居間」「寝室1」は赤枠に重ねて青い二重枠になっており、寸法値「W=3640」やページ見出しの文字は赤枠のままで青枠が付いていないことが確認できます。Windows実機ではウィンドウの装飾や既定フォントなど見た目が異なります。

Windows実機での確認が必要なこと(このリポジトリでは未確認)
- 実在のCAD図面PDFで、辞書に登録した表記が実際に何割くらいカバーできるか(今回のテストはPyMuPDFで生成した単純なサンプルのみ)
- フォントサイズの閾値(8〜40pt)が、実務で使われる図面の縮尺・フォント設定に対して妥当か
- 青枠・赤枠の二重表示が、実際の図面画像の上で見やすいか(配色・線の太さの調整余地があるか)
つまずきやすい点・セキュリティ上の注意
- 辞書に無い表記は「見えない」:部屋名として拾えるのは辞書に登録した表記だけです。今回のサンプルでは「サンルーム」のような辞書に無い語を除外する動作をpytestで確認していますが、これは裏を返すと「サンルームという部屋があっても今の設定では検出されない」ということです。運用を始める前に、対象図面で使われている表記を洗い出し、辞書に反映しておく必要があります
- 漢数字の番号には対応していない:「寝室1」のような半角/全角数字の接尾辞には対応していますが、「寝室一」のような漢数字表記は一致しません。これも実際の図面を見て必要であれば追加対応する想定です
- 完全一致ゆえの副作用:「洋室担当者」のように、辞書の表記を含むだけで前後に別の文字が続く文字列は一致しません(意図した動作です)。逆に言うと、部屋名の前後に空白なく別の文字がくっついて1つの単語として抽出されてしまうケース(前回の記事で触れた「単語の区切りは空白文字ベース」という制約)では、部屋名の部分だけを取り出せず候補から漏れる可能性があります
- 辞書ファイルの取り扱い:
app/config/rooms.yamlはコードの一部としてGitで管理する設定ファイルであり、顧客の個別情報は含めていません。もし特定の取引先専用の言い回しを追加する場合も、辞書には「部屋の種類を表す一般的な言葉」だけを書き、物件名・住所などは書かないようにしてください
発注者向けメモ
この回で確認しておきたいこと・工数の勘所
「部屋名の呼び方」は現場ごとに揺れます。「洋室1」と呼ぶ設計事務所もあれば、「寝室1」「ベッドルーム1」と表記するところもあります。同じ会社の図面でも、担当者やCADソフトの初期設定によって表記がバラつくことは珍しくありません。今回作ったrooms.yamlは、あくまで一般的によく使われる表記を並べた出発点であり、実際にどこまでの表記を登録するかは、業務側で対象図面を棚卸しした上で決める必要があります。
具体的には、次のような整理を発注前・開発初期にしておくと、見積もりと実際の精度のズレを減らせます。
- 過去の図面PDFを何十枚か集め、部屋名としてどんな表記が使われているかを一覧化する(「リビング」「LDK」「洋室1」など、表記のバリエーションを数える)
- 表記のうち「これは部屋名として扱ってほしい」ものと「扱わなくてよい」ものを業務側で判断する(例えば「サービスルーム」「フリースペース」のような曖昧な部屋名をどう扱うかは、業務ルール次第で変わります)
- 辞書の追加・修正は誰が行うか(開発会社に都度依頼するのか、YAMLファイルを直接編集できる担当者を社内に置くのか)を決めておく。今回の実装ではYAML1ファイルに部屋種別を追記するだけで拡張できるようにしてあるため、簡単な追加であれば技術者でなくても手順さえ分かれば対応できる可能性があります
辞書に登録されていない部屋名は候補として拾われず、逆に辞書の範囲を広げすぎると誤検出が増えます。この兼ね合いは一度作って終わりではなく、実際に運用しながら辞書を育てていく前提で計画しておくとよいでしょう。「最初の納品ですべての表記を完璧に網羅する」よりも、「運用しながら辞書を更新できる体制を作る」方が現実的です。
- ☐ 対象図面で実際に使われている部屋名の表記パターンを一覧化したか
- ☐ 辞書に登録する/しない表記の判断基準(誰が決めるか)を決めたか
- ☐ 辞書ファイルの追加・修正を誰が行う運用にするかを開発会社とすり合わせたか
- ☐ 「辞書に無い部屋名は検出されない」という前提を、実際に転記作業を行う担当者に共有したか
開発会社への質問例
- 「部屋名の辞書に登録する表記は、どの図面を基準に決めていますか?」
- 「辞書に無い部屋名が出てきた場合、検出されないだけで終わるのか、それとも何らかの形で気づける仕組みになっていますか?」
- 「辞書の追加・修正は、開発を依頼せず自社で行えるようにできますか?」
まとめと次回予告
第3回では、部屋名辞書(app/config/rooms.yaml)と文字サイズのヒューリスティックを組み合わせて、検出した単語の中から部屋名候補だけを絞り込むapp/core/room_matcher.pyを実装しました。辞書との完全一致を基本方針にすることで、誤検出を抑えつつ、番号付きパターンや表記ゆれにも対応できる作りにしています。プレビュー画面では、前回の赤枠(検出した単語すべて)に重ねて、絞り込んだ部屋名候補を青枠で表示できるようになりました。
ここまでは、CADソフトが最初から文字情報として埋め込んでいる「ベクター文字入り」の図面PDFを前提にしてきました。次回(第4回)は、スキャンされた古い図面や画像化されたPDFのように、そもそも文字情報が埋め込まれていない図面に対応します。ローカルOCR(Tesseract)を使って画像から日本語の文字を読み取るapp/core/ocr_local.pyを実装する予定です。
この連載の記事一覧
この記事は連載「CAD図面PDFをExcelへ自動転記するツール開発」の1回です。連載のほかの回は次のとおりです(連載の一覧ページ)。
- 【CAD図面PDFをExcelへ自動転記するツール開発 第0回】要件整理とPython開発環境、tkinterの最初の画面を作る
- 【CAD図面PDFをExcelへ自動転記するツール開発 第1回】PyMuPDFで図面PDFを画面にプレビュー表示する
- 【CAD図面PDFをExcelへ自動転記するツール開発 第2回】PyMuPDFで図面の文字を座標付きで抽出し、プレビューにハイライト表示する
- 【CAD図面PDFをExcelへ自動転記するツール開発 第3回】部屋名辞書とヒューリスティックで「部屋名らしき文字列」だけを絞り込む(この記事)
- 【CAD図面PDFをExcelへ自動転記するツール開発 第4回】スキャン図面・画像PDFの部屋名をローカルOCR(Tesseract)で読み取る
- 【CAD図面PDFをExcelへ自動転記するツール開発 第5回】外部AI(Claude)の画像解析で図面の部屋名を読み取り、精度を底上げする
- 【CAD図面PDFをExcelへ自動転記するツール開発 第6回】AI・OCRの読み取り結果を人が確認・修正する画面を作る
- 【CAD図面PDFをExcelへ自動転記するツール開発 第7回】確認済みの部屋名を指定のExcelフォーマットの決まった欄へ転記する
- 【CAD図面PDFをExcelへ自動転記するツール開発 第8回】部屋名とExcelの欄の対応付けを設定ファイル(YAML)で変えられるようにする
- 【CAD図面PDFをExcelへ自動転記するツール開発 第9回】複数の図面PDFをフォルダごとまとめて処理する(進捗表示・中止・失敗しても止まらない一括処理)
- 【CAD図面PDFをExcelへ自動転記するツール開発 第10回】ローカル完結モードと外部AIモードを切り替え、APIキーをWindowsの資格情報マネージャーに保存する
- 【CAD図面PDFをExcelへ自動転記するツール開発 第11回(最終回)】PyInstallerでWindows向けexeにまとめて配布し、精度の限界と確認のルールを整理する


コメント
コメント一覧 (2件)
[…] 前回(第3回)では、図面PDFに埋め込まれた文字の中から、部屋名辞書とフォントサイズのルールで「部屋名らしき文字列」だけを青枠で絞り込めるようにしました。ただし、ここまでの仕組みはCADソフトが文字情報を埋め込んだPDFでしか動きません。紙の図面をスキャンしたPDFでは、文字が「絵」としてしか存在しないため、検出件数は0件になります。 […]
[…] 部屋名らしき文字列を絞り込むルール […]