非技術者向けの Windows 用 PDF OCR デスクトップアプリです。インストール作業なしで、 「PDF を選ぶ」ボタンから PDF を選んで OCR し、テキストと検索可能 PDF を 出力します。OCR エンジンには国立国会図書館の NDLOCR-Lite を利用しています。
入力はファイル選択ボタンで行います（OS のドラッグ&ドロップは未対応）。
日本語（全角）を含むパスに置いても動作します。
C:\Users\田中\デスクトップ\…のようなフォルダに解凍して実行しても OCR が完了するよう設計されています （非 ASCII パス耐性については後述）。
- Releases から zip をダウンロードして解凍する
- 中の
ndlocr-pdf.exeをダブルクリックする - 「PDF を選ぶ」で PDF を選択し、対象ページ（空欄＝全ページ）を指定する
- 「OCR 実行」を押す。完了後「出力フォルダを開く」で結果を確認できる
出力は既定で入力 PDF と同じフォルダ内の <元のファイル名>_ocr/ に、
<元のファイル名>.txt / .xml / .json と検索可能 PDF <元のファイル名>_text.pdf
として保存されます。
- ページを指定しても文書全体が残ります（既定）。指定したページだけ文字を読み取り、 PDF は全ページそのまま・読み取ったページにだけテキスト層が付きます。チェックを外すと 選択ページだけの抜粋 PDF になります。
- 図・写真の中の文字も読み取ります（既定）。図領域を切り出して個別に OCR します。 図が多い文書では処理時間が少し延びるため、チェックで無効化できます。
同じ exe をヘッドレスで実行できます。
ndlocr-pdf.exe --cli <INPUT.pdf> [--pages 1,3,5-8] [--output DIR] [--dpi 150]
[--enable-tcy] [--no-searchable-pdf] [--excerpt-only]
[--no-ocr-figures] [--no-clobber] [--quiet]
--excerpt-only: ページ指定時に全ページ保持をやめ、選択ページだけの抜粋 PDF を出す （既定は全ページ保持）。--no-ocr-figures: 図の中の文字の OCR を無効化する（指定しなければ図中も OCR する）。
終了コード: 0=成功 / 2=引数・ページ指定エラー / 3=PDF を開けない / 1=その他。
開発・ビルド・検証はすべて Windows + PowerShell で行います。
- Python: 3.12（
uv python pinで固定） - 依存マネージャ: uv
- 上流エンジン: git submodule
external/ndlocr-lite、UPSTREAM_REF = 1.2.3に固定 （--sourcepdfを含む最新リリース。改変しない）
# 初回のみ
irm https://astral.sh/uv/install.ps1 | iex
git submodule update --init --recursive # 既存クローンの場合
uv sync # 依存を同期
# 高速な単体テスト（モデル不要）
uv run pytest tests/test_pagespec.py tests/test_figocr.py tests/test_pdfmerge.py -q
# エンジン込みの結合テスト（submodule のモデルが必要・低速）
uv run pytest tests/test_integration_ocr.py -q
# サンプル PDF で CLI 動作確認
uv run python src/app.py --cli tests/fixtures/sample.pdf --pages 1 --output out
# 図 OCR の確認（図中テキストが出力に現れる）
uv run python src/app.py --cli tests/fixtures/sample_with_figure.pdf --output out
# テスト用フィクスチャの再生成（任意）
uv run python tests/fixtures/make_sample_pdf.py
uv run python tests/fixtures/make_sample_with_figure_pdf.pyuv run python tools/gen_notice.py
uv run flet pack src/app.py -D -n ndlocr-pdf -y `
--add-data "external/ndlocr-lite/src;ndlocr_src" `
"--pyinstaller-build-args=--collect-all=onnxruntime" `
"--pyinstaller-build-args=--collect-all=pypdfium2" `
"--pyinstaller-build-args=--collect-all=reportlab" `
"--pyinstaller-build-args=--collect-all=cv2"成果物は dist/ndlocr-pdf/ に出力されます。flet build（Flutter SDK + Visual
Studio が必要）は本用途には過剰なため使いません。
vMAJOR.MINOR.PATCH の git タグを push すると、GitHub Actions（windows-latest）
がビルド → スモークテスト → zip を Releases に添付します（.github/workflows/build.yml）。
上流エンジンは非 ASCII パスで起動に失敗することがあるため、本アプリでは:
- エンジンに渡す入力 PDF・モデル・出力は常に ASCII の作業フォルダ
（
%PUBLIC%\ndlocr-pdf\…）経由にする - exe 自体が非 ASCII フォルダに置かれた場合は、固定 ASCII ベースへ payload を複製して 再起動する
ことで、日本語フォルダでも動作します。
- 本プロジェクトの自作ファイル（
src//tests//tools/のほか README・SPEC・ GitHub Actions・pyproject.toml等）: MIT License（LICENSE）。external/ndlocr-lite/と第三者由来ファイルは対象外。 - OCR エンジン・ONNX モデル: NDLOCR-Lite に由来し CC BY 4.0（国立国会図書館）。
- 依存ライブラリ: それぞれの寛容ライセンス（Apache / MIT / BSD ほか）。
配布物には帰属表示・変更点・依存ライセンス全文をまとめた NOTICE を同梱します
（tools/gen_notice.py が uv 解決結果から機械生成）。MIT は share-alike では
ないため自前部分は自由に再利用できますが、上流由来部分の CC BY 帰属表示は維持されます。